Evidencia 2
Jimena Miguel
2022-10-20
Importar base de datos y cargar librerías
library(ggplot2)
library(foreign)
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(ggplot2)
library(psych)##
## Attaching package: 'psych'## The following objects are masked from 'package:ggplot2':
##
## %+%, alphalibrary(corrplot)## corrplot 0.92 loadedlibrary(jtools)
library(car)## Loading required package: carData##
## Attaching package: 'car'## The following object is masked from 'package:psych':
##
## logit## The following object is masked from 'package:dplyr':
##
## recodelibrary(factoextra)## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBalibrary(ggfortify)
library(Hmisc)## Loading required package: lattice## Loading required package: survival## Loading required package: Formula##
## Attaching package: 'Hmisc'## The following object is masked from 'package:jtools':
##
## %nin%## The following object is masked from 'package:psych':
##
## describe## The following objects are masked from 'package:dplyr':
##
## src, summarize## The following objects are masked from 'package:base':
##
## format.pval, unitslibrary(olsrr)##
## Attaching package: 'olsrr'## The following object is masked from 'package:datasets':
##
## riverslibrary(kableExtra)##
## Attaching package: 'kableExtra'## The following object is masked from 'package:dplyr':
##
## group_rowslibrary(lubridate)##
## Attaching package: 'lubridate'## The following objects are masked from 'package:base':
##
## date, intersect, setdiff, union#library(mirage)
#library(sd)
library(modeest)## Registered S3 methods overwritten by 'rmutil':
## method from
## plot.residuals psych
## print.response httr#library(barplot)
#library(merge)
library(modeest)
library(forcats)
library(readr)
library(janitor)##
## Attaching package: 'janitor'## The following objects are masked from 'package:stats':
##
## chisq.test, fisher.testlibrary(naniar)
library(dlookr)##
## Attaching package: 'dlookr'## The following object is masked from 'package:modeest':
##
## skewness## The following object is masked from 'package:Hmisc':
##
## describe## The following object is masked from 'package:psych':
##
## describe## The following object is masked from 'package:base':
##
## transformlibrary(tidyverse)## Registered S3 methods overwritten by 'broom':
## method from
## tidy.glht jtools
## tidy.summary.glht jtools## ── Attaching packages ─────────────────────────────────────── tidyverse 1.3.2 ──
## ✔ tibble 3.1.8 ✔ purrr 0.3.4
## ✔ tidyr 1.2.1 ✔ stringr 1.4.1
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ psych::%+%() masks ggplot2::%+%()
## ✖ psych::alpha() masks ggplot2::alpha()
## ✖ lubridate::as.difftime() masks base::as.difftime()
## ✖ lubridate::date() masks base::date()
## ✖ tidyr::extract() masks dlookr::extract()
## ✖ dplyr::filter() masks stats::filter()
## ✖ kableExtra::group_rows() masks dplyr::group_rows()
## ✖ lubridate::intersect() masks base::intersect()
## ✖ dplyr::lag() masks stats::lag()
## ✖ car::recode() masks dplyr::recode()
## ✖ lubridate::setdiff() masks base::setdiff()
## ✖ purrr::some() masks car::some()
## ✖ Hmisc::src() masks dplyr::src()
## ✖ Hmisc::summarize() masks dplyr::summarize()
## ✖ lubridate::union() masks base::union()library(gmodels)
library(crosstable)##
## Attaching package: 'crosstable'
##
## The following object is masked from 'package:purrr':
##
## compactlibrary(openxlsx)
library(lmtest)## Loading required package: zoo
##
## Attaching package: 'zoo'
##
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric#library(auto.arima)
library(forecast)## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoo
## Registered S3 methods overwritten by 'forecast':
## method from
## autoplot.Arima ggfortify
## autoplot.acf ggfortify
## autoplot.ar ggfortify
## autoplot.bats ggfortify
## autoplot.decomposed.ts ggfortify
## autoplot.ets ggfortify
## autoplot.forecast ggfortify
## autoplot.stl ggfortify
## autoplot.ts ggfortify
## fitted.ar ggfortify
## fortify.ts ggfortify
## predict.default statip
## residuals.ar ggfortify
##
## Attaching package: 'forecast'
##
## The following object is masked from 'package:modeest':
##
## naive¿Quién es Form?
FORM es una empresa mexicana dedicada a generar soluciones integrales de empaque para la industria automotriz. Fue fundada en el 2011 por Felipe Flores García y hoy en día cuenta con más de 130 empleados. FORM toma gran importancia a ser parte de un entorno sostenible, por lo que diseña empaques ecológicos generando un impacto positivo al medio ambiente, es por ello que su principal material es el cartón, con el cual obtienen el 50% de sus ganancias y representa el 90% de sus gastos y costos. Por ello la importancia de una buena logística y cadena de suministros en FORM, para optimizar y eficientizar y de ese modo tener rentabilidad.
1. Scrap
## Llamar base de datos.
SCRAP<- read.csv('FORM - Scrap Limpia .csv')
summary(SCRAP)## Referencia Fecha Hora Producto
## Length:250 Length:250 Length:250 Length:250
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Cantidad Unidad.de.medida Ubicación.de.origen Ubicación.de.desecho
## Min. : 0.000 Length:250 Length:250 Length:250
## 1st Qu.: 1.000 Class :character Class :character Class :character
## Median : 2.000 Mode :character Mode :character Mode :character
## Mean : 6.696
## 3rd Qu.: 7.000
## Max. :96.000
## Estado
## Length:250
## Class :character
## Mode :character
##
##
## ## Estructura de la base de datos
str(SCRAP)## 'data.frame': 250 obs. of 9 variables:
## $ Referencia : chr "SP/08731" "SP/08730" "SP/08729" "SP/08728" ...
## $ Fecha : chr "31/08/2022" "31/08/2022" "31/08/2022" "31/08/2022" ...
## $ Hora : chr "14:55:40" "14:49:25" "13:49:29" "09:30:07" ...
## $ Producto : chr "[BACKFRAME 60% CUELLO ARMADO] 18805. 60% Backframe. Cuello Armado." "[N61506747 CAJA] N61506747. Kit. Caja." "[N61506729 SEPARADOR] N61506729. Kit. Separador." "[341332 DIVISOR - U611 & U625] 341332. U611. U625. Divisor Troquelado." ...
## $ Cantidad : num 2 1 1 31 1 1 1 9 2 1 ...
## $ Unidad.de.medida : chr "Unidad(es)" "Unidad(es)" "Unidad(es)" "Unidad(es)" ...
## $ Ubicación.de.origen : chr "SAB/Calidad/Entrega de PT" "SAB/Calidad/Entrega de PT" "SAB/Calidad/Entrega de PT" "SAB/Pre-Production" ...
## $ Ubicación.de.desecho: chr "Virtual Locations/Scrapped" "Virtual Locations/Scrapped" "Virtual Locations/Scrapped" "Virtual Locations/Scrapped" ...
## $ Estado : chr "Hecho" "Hecho" "Hecho" "Hecho" ...### ¿Cuántos NA's tengo en la base de datos?
#Debido a que en la base de datos no se encuentran Missing Values, en esta base de datos no se pueden remplazar valores por media, mediana y moda ya que no aplica.
sum(is.na(SCRAP))## [1] 0#describe(SCRAP)
#**Nota:**En esta base de datos se eliminaron la columana que no era relevante para el analisis. Se eliminan Referencia, Producto, Unidad.de.medida, Ubicación.de.desecho, Estado, debido a que son irrelevantes, pues es el mismo dato para todos los registros.
bd1<- SCRAP
bd1<-subset(SCRAP,select=-c(Referencia, Unidad.de.medida , Ubicación.de.desecho, Estado))
str(bd1)## 'data.frame': 250 obs. of 5 variables:
## $ Fecha : chr "31/08/2022" "31/08/2022" "31/08/2022" "31/08/2022" ...
## $ Hora : chr "14:55:40" "14:49:25" "13:49:29" "09:30:07" ...
## $ Producto : chr "[BACKFRAME 60% CUELLO ARMADO] 18805. 60% Backframe. Cuello Armado." "[N61506747 CAJA] N61506747. Kit. Caja." "[N61506729 SEPARADOR] N61506729. Kit. Separador." "[341332 DIVISOR - U611 & U625] 341332. U611. U625. Divisor Troquelado." ...
## $ Cantidad : num 2 1 1 31 1 1 1 9 2 1 ...
## $ Ubicación.de.origen: chr "SAB/Calidad/Entrega de PT" "SAB/Calidad/Entrega de PT" "SAB/Calidad/Entrega de PT" "SAB/Pre-Production" ...summary(bd1)## Fecha Hora Producto Cantidad
## Length:250 Length:250 Length:250 Min. : 0.000
## Class :character Class :character Class :character 1st Qu.: 1.000
## Mode :character Mode :character Mode :character Median : 2.000
## Mean : 6.696
## 3rd Qu.: 7.000
## Max. :96.000
## Ubicación.de.origen
## Length:250
## Class :character
## Mode :character
##
##
## ## *2. *Para el caso de variables cuantitativas considerar la posibilidad de reemplazar la presencia de “missing values” con estadísticos descriptivos (por ejemplo, media, mediana, moda).*
bd1<-SCRAP
bd1## Referencia Fecha Hora
## 1 SP/08731 31/08/2022 14:55:40
## 2 SP/08730 31/08/2022 14:49:25
## 3 SP/08729 31/08/2022 13:49:29
## 4 SP/08728 31/08/2022 09:30:07
## 5 SP/08727 31/08/2022 09:28:44
## 6 SP/08726 31/08/2022 09:28:23
## 7 SP/08725 31/08/2022 09:27:12
## 8 SP/08724 31/08/2022 09:26:45
## 9 SP/08723 31/08/2022 09:26:24
## 10 SP/08722 31/08/2022 09:25:55
## 11 SP/08721 30/08/2022 16:28:42
## 12 SP/08720 30/08/2022 16:05:21
## 13 SP/08719 30/08/2022 16:00:24
## 14 SP/08718 30/08/2022 15:07:59
## 15 SP/08717 30/08/2022 10:17:38
## 16 SP/08716 30/08/2022 10:16:59
## 17 SP/08715 30/08/2022 10:16:10
## 18 SP/08714 30/08/2022 10:15:05
## 19 SP/08713 30/08/2022 10:13:56
## 20 SP/08712 30/08/2022 10:13:19
## 21 SP/08711 30/08/2022 10:12:49
## 22 SP/08710 30/08/2022 10:11:48
## 23 SP/08709 30/08/2022 10:10:59
## 24 SP/08708 30/08/2022 10:09:20
## 25 SP/08707 30/08/2022 10:07:33
## 26 SP/08706 30/08/2022 10:06:19
## 27 SP/08705 30/08/2022 10:04:46
## 28 SP/08704 29/08/2022 17:34:57
## 29 SP/08703 29/08/2022 17:15:27
## 30 SP/08702 29/08/2022 10:18:27
## 31 SP/08701 29/08/2022 10:16:55
## 32 SP/08700 29/08/2022 10:07:24
## 33 SP/08699 29/08/2022 10:05:44
## 34 SP/08698 29/08/2022 09:55:39
## 35 SP/08697 29/08/2022 09:54:47
## 36 SP/08696 27/08/2022 12:15:09
## 37 SP/08695 27/08/2022 09:18:25
## 38 SP/08694 27/08/2022 09:17:45
## 39 SP/08693 27/08/2022 09:16:54
## 40 SP/08692 27/08/2022 09:12:15
## 41 SP/08691 27/08/2022 09:11:49
## 42 SP/08690 27/08/2022 09:11:12
## 43 SP/08689 27/08/2022 09:10:29
## 44 SP/08688 27/08/2022 09:09:19
## 45 SP/08687 27/08/2022 09:08:39
## 46 SP/08686 27/08/2022 09:07:45
## 47 SP/08685 27/08/2022 09:02:50
## 48 SP/08684 26/08/2022 16:20:37
## 49 SP/08683 26/08/2022 16:08:40
## 50 SP/08682 26/08/2022 15:25:01
## 51 SP/08681 26/08/2022 15:22:42
## 52 SP/08680 26/08/2022 15:22:15
## 53 SP/08679 26/08/2022 15:21:27
## 54 SP/08678 26/08/2022 15:20:40
## 55 SP/08677 26/08/2022 15:20:01
## 56 SP/08676 26/08/2022 14:56:03
## 57 SP/08675 26/08/2022 13:30:24
## 58 SP/08674 26/08/2022 13:23:54
## 59 SP/08673 26/08/2022 11:52:10
## 60 SP/08672 25/08/2022 15:35:34
## 61 SP/08671 25/08/2022 15:17:16
## 62 SP/08670 25/08/2022 11:43:49
## 63 SP/08669 25/08/2022 11:28:42
## 64 SP/08668 25/08/2022 09:36:45
## 65 SP/08667 25/08/2022 09:36:05
## 66 SP/08666 25/08/2022 09:35:36
## 67 SP/08665 25/08/2022 09:34:42
## 68 SP/08664 25/08/2022 09:34:05
## 69 SP/08663 25/08/2022 09:32:55
## 70 SP/08662 25/08/2022 09:32:22
## 71 SP/08661 24/08/2022 18:03:05
## 72 SP/08660 24/08/2022 18:00:08
## 73 SP/08659 24/08/2022 17:58:41
## 74 SP/08658 24/08/2022 17:48:50
## 75 SP/08657 24/08/2022 15:58:57
## 76 SP/08656 24/08/2022 11:02:19
## 77 SP/08655 24/08/2022 11:01:19
## 78 SP/08654 24/08/2022 11:00:29
## 79 SP/08653 24/08/2022 10:59:36
## 80 SP/08652 24/08/2022 10:58:37
## 81 SP/08651 24/08/2022 10:58:03
## 82 SP/08650 24/08/2022 10:56:45
## 83 SP/08649 24/08/2022 10:55:49
## 84 SP/08648 24/08/2022 10:54:55
## 85 SP/08647 24/08/2022 10:26:18
## 86 SP/08646 24/08/2022 10:25:35
## 87 SP/08645 24/08/2022 10:24:22
## 88 SP/08644 24/08/2022 10:22:26
## 89 SP/08643 24/08/2022 10:20:59
## 90 SP/08642 24/08/2022 10:20:08
## 91 SP/08641 24/08/2022 10:19:19
## 92 SP/08640 23/08/2022 10:05:59
## 93 SP/08639 22/08/2022 17:40:44
## 94 SP/08638 22/08/2022 16:30:00
## 95 SP/08637 22/08/2022 16:29:32
## 96 SP/08636 22/08/2022 16:29:07
## 97 SP/08635 22/08/2022 16:27:49
## 98 SP/08634 22/08/2022 16:26:27
## 99 SP/08633 22/08/2022 16:25:02
## 100 SP/08632 22/08/2022 15:45:33
## 101 SP/08631 22/08/2022 15:20:59
## 102 SP/08629 22/08/2022 13:44:27
## 103 SP/08628 22/08/2022 13:34:05
## 104 SP/08627 20/08/2022 08:46:04
## 105 SP/08626 20/08/2022 08:45:38
## 106 SP/08625 20/08/2022 08:45:16
## 107 SP/08624 20/08/2022 08:44:52
## 108 SP/08623 20/08/2022 08:44:27
## 109 SP/08622 20/08/2022 08:44:04
## 110 SP/08621 20/08/2022 08:43:32
## 111 SP/08620 20/08/2022 08:43:05
## 112 SP/08619 20/08/2022 08:42:31
## 113 SP/08618 19/08/2022 14:53:52
## 114 SP/08617 19/08/2022 14:52:41
## 115 SP/08616 19/08/2022 14:51:37
## 116 SP/08615 19/08/2022 14:49:59
## 117 SP/08614 19/08/2022 14:49:09
## 118 SP/08613 19/08/2022 14:48:40
## 119 SP/08612 19/08/2022 14:47:56
## 120 SP/08611 19/08/2022 14:47:28
## 121 SP/08610 19/08/2022 14:46:53
## 122 SP/08609 19/08/2022 14:46:13
## 123 SP/08608 19/08/2022 14:45:32
## 124 SP/08607 19/08/2022 14:44:03
## 125 SP/08606 19/08/2022 14:43:30
## 126 SP/08605 19/08/2022 14:43:06
## 127 SP/08604 19/08/2022 14:42:24
## 128 SP/08603 19/08/2022 14:41:45
## 129 SP/08602 19/08/2022 14:40:24
## 130 SP/08601 17/08/2022 09:31:49
## 131 SP/08600 17/08/2022 09:31:23
## 132 SP/08599 17/08/2022 09:30:43
## 133 SP/08598 17/08/2022 09:29:26
## 134 SP/08597 17/08/2022 09:28:38
## 135 SP/08596 17/08/2022 09:27:55
## 136 SP/08595 17/08/2022 09:27:13
## 137 SP/08594 17/08/2022 09:26:03
## 138 SP/08593 17/08/2022 09:24:48
## 139 SP/08592 16/08/2022 12:12:11
## 140 SP/08591 16/08/2022 12:08:55
## 141 SP/08590 16/08/2022 12:02:36
## 142 SP/08589 16/08/2022 11:19:53
## 143 SP/08588 16/08/2022 11:19:05
## 144 SP/08587 16/08/2022 11:17:48
## 145 SP/08586 16/08/2022 11:17:20
## 146 SP/08585 16/08/2022 11:16:07
## 147 SP/08584 16/08/2022 11:15:39
## 148 SP/08583 16/08/2022 11:15:14
## 149 SP/08582 16/08/2022 11:14:22
## 150 SP/08581 16/08/2022 11:13:54
## 151 SP/08580 16/08/2022 11:12:45
## 152 SP/08579 16/08/2022 10:00:49
## 153 SP/08578 16/08/2022 10:00:09
## 154 SP/08577 16/08/2022 09:59:37
## 155 SP/08576 16/08/2022 09:58:07
## 156 SP/08575 16/08/2022 09:57:29
## 157 SP/08574 16/08/2022 09:56:17
## 158 SP/08573 16/08/2022 09:55:23
## 159 SP/08572 16/08/2022 09:54:29
## 160 SP/08570 16/08/2022 09:52:53
## 161 SP/08569 16/08/2022 09:18:31
## 162 SP/08568 16/08/2022 09:10:11
## 163 SP/08567 15/08/2022 15:21:45
## 164 SP/08566 15/08/2022 13:11:29
## 165 SP/08565 15/08/2022 13:06:40
## 166 SP/08564 15/08/2022 13:00:12
## 167 SP/08563 15/08/2022 12:58:17
## 168 SP/08561 15/08/2022 12:09:06
## 169 SP/08560 13/08/2022 13:43:01
## 170 SP/08559 13/08/2022 13:41:18
## 171 SP/08558 13/08/2022 13:31:32
## 172 SP/08557 13/08/2022 13:28:16
## 173 SP/08556 13/08/2022 11:34:45
## 174 SP/08555 12/08/2022 19:41:36
## 175 SP/08554 12/08/2022 19:40:41
## 176 SP/08553 12/08/2022 19:39:13
## 177 SP/08552 12/08/2022 19:38:15
## 178 SP/08551 12/08/2022 19:37:50
## 179 SP/08550 12/08/2022 19:36:34
## 180 SP/08549 12/08/2022 19:35:51
## 181 SP/08548 12/08/2022 19:35:29
## 182 SP/08547 12/08/2022 19:34:59
## 183 SP/08546 12/08/2022 19:01:07
## 184 SP/08545 12/08/2022 14:43:42
## 185 SP/08544 12/08/2022 13:27:35
## 186 SP/08543 11/08/2022 16:52:07
## 187 SP/08542 11/08/2022 16:50:54
## 188 SP/08541 11/08/2022 16:49:58
## 189 SP/08540 10/08/2022 19:19:54
## 190 SP/08539 10/08/2022 18:39:26
## 191 SP/08538 10/08/2022 18:32:47
## 192 SP/08537 10/08/2022 10:16:12
## 193 SP/08536 10/08/2022 10:14:28
## 194 SP/08535 10/08/2022 10:12:57
## 195 SP/08534 10/08/2022 10:12:24
## 196 SP/08533 10/08/2022 10:11:35
## 197 SP/08532 10/08/2022 10:11:04
## 198 SP/08531 10/08/2022 10:10:41
## 199 SP/08530 10/08/2022 10:10:15
## 200 SP/08529 10/08/2022 10:09:51
## 201 SP/08528 10/08/2022 10:09:13
## 202 SP/08527 09/08/2022 09:39:09
## 203 SP/08526 09/08/2022 09:38:47
## 204 SP/08525 09/08/2022 09:38:22
## 205 SP/08524 09/08/2022 09:38:01
## 206 SP/08523 09/08/2022 09:37:32
## 207 SP/08522 08/08/2022 14:21:26
## 208 SP/08521 08/08/2022 10:13:07
## 209 SP/08520 08/08/2022 10:12:26
## 210 SP/08519 08/08/2022 10:04:58
## 211 SP/08518 06/08/2022 13:30:19
## 212 SP/08517 06/08/2022 09:41:38
## 213 SP/08516 06/08/2022 09:41:19
## 214 SP/08515 06/08/2022 09:41:01
## 215 SP/08514 06/08/2022 09:40:42
## 216 SP/08513 06/08/2022 09:40:20
## 217 SP/08512 06/08/2022 09:35:25
## 218 SP/08511 05/08/2022 19:01:34
## 219 SP/08510 05/08/2022 18:58:23
## 220 SP/08509 05/08/2022 16:38:00
## 221 SP/08508 05/08/2022 10:31:45
## 222 SP/08507 05/08/2022 10:31:11
## 223 SP/08506 05/08/2022 10:30:25
## 224 SP/08505 05/08/2022 10:30:02
## 225 SP/08504 04/08/2022 16:50:43
## 226 SP/08503 04/08/2022 16:41:24
## 227 SP/08502 04/08/2022 09:37:35
## 228 SP/08501 04/08/2022 09:37:01
## 229 SP/08500 04/08/2022 09:36:03
## 230 SP/08499 04/08/2022 09:35:09
## 231 SP/08498 03/08/2022 16:21:28
## 232 SP/08497 03/08/2022 15:29:42
## 233 SP/08496 03/08/2022 14:08:15
## 234 SP/08495 03/08/2022 14:06:11
## 235 SP/08494 03/08/2022 12:17:50
## 236 SP/08493 03/08/2022 12:17:14
## 237 SP/08492 03/08/2022 12:16:51
## 238 SP/08491 03/08/2022 12:16:29
## 239 SP/08490 03/08/2022 12:15:37
## 240 SP/08489 03/08/2022 12:14:42
## 241 SP/08488 03/08/2022 12:14:22
## 242 SP/08487 03/08/2022 12:13:59
## 243 SP/08486 03/08/2022 12:13:29
## 244 SP/08485 02/08/2022 16:10:02
## 245 SP/08484 02/08/2022 16:05:42
## 246 SP/08483 02/08/2022 15:25:28
## 247 SP/08482 02/08/2022 13:28:40
## 248 SP/08481 02/08/2022 13:26:44
## 249 SP/08480 01/08/2022 16:36:24
## 250 SP/08479 01/08/2022 13:59:47
## Producto
## 1 [BACKFRAME 60% CUELLO ARMADO] 18805. 60% Backframe. Cuello Armado.
## 2 [N61506747 CAJA] N61506747. Kit. Caja.
## 3 [N61506729 SEPARADOR] N61506729. Kit. Separador.
## 4 [341332 DIVISOR - U611 & U625] 341332. U611. U625. Divisor Troquelado.
## 5 [DIVISOR ZIGZAG VW CHATTANOOGA] Chattanooga. St1 y St3. Zig Zag Troquelado.
## 6 [DIVISOR CON DOBLEZ VW CHATTANOOGA] Chattanooga. St1 y St3. Divisor Troquelado.
## 7 [CHAROLA VW CHATTANOOGA] Chattanooga. St1 y St3. Charola Troquelada.
## 8 [CELDA 955061] 955061. Celda Troquelada.
## 9 [TAPA AVANAZAR] Avanzar. Tapa. Pieza.
## 10 [CAJA ( ARMREST / HR REAR) TMC 110 MODEL Y] 19148. Modelo Y. TMC0110. Armrest & Rear & Center. Caja
## 11 [642762 PACKING, SHEET, 565.2X742.9 - INSERT 642762] 642762. Pad. S.M.
## 12 [428818 AS 30 99 0000 00 000 INSERTO - CHRYSLER INSERT DJ] CHRYSLER INSERT DJ PART 694087
## 13 [Inserto Nextracker 3.0] Nextracker. 2.0. Damper. Inserto.
## 14 [CELL C] 60% Backframe. Separador con Doblez.
## 15 [CAJA INDUSTRIAL 16" ROTATIVA] 16". Lamina Troquelada.
## 16 [BOX 143907 - CELDA] 143907. Solares. Celda Troquelada.
## 17 [INSERTO SOLARES] 143907. Solares. Inserto Troquelada.
## 18 [BOX 143907 - TAPA] 143907. Solares. Tapa Troquelada.
## 19 [DIVISOR CON DOBLEZ VW CHATTANOOGA] Chattanooga. St1 y St3. Divisor Troquelado.
## 20 [DIVISOR ZIGZAG VW CHATTANOOGA] Chattanooga. St1 y St3. Zig Zag Troquelado.
## 21 [CHAROLA VW CHATTANOOGA] Chattanooga. St1 y St3. Charola Troquelada.
## 22 [428818 AS 30 99 0000 00 000 INSERTO - CHRYSLER INSERT DJ] CHRYSLER INSERT DJ PART 694087
## 23 [CAJA INDUSTRIAL 34" ROTATIVA] 34". Lamina Troquelada.
## 24 [CAJA INDUSTRIAL 24" ROTATIVA COMPLETA] 24". Lamina Troquelada.
## 25 [CAJA INDUSTRIAL 16" ROTATIVA] 16". Lamina Troquelada.
## 26 [CAJA MCV] Toyota. MCV. Caja Troquelada.
## 27 [CAJA 95161] 19079. 95161. Kit. Caja.
## 28 [939069 FS 30 99 0000 00 000 CARTÓN -BOX 939069 34"] 34". Caja Terminada.
## 29 [357790-TAPA] 357790. Tapa.
## 30 [BOX 143907 - CELDA] 143907. Solares. Celda Troquelada.
## 31 [341332 DIVISOR - U611 & U625] 341332. U611. U625. Divisor Troquelado.
## 32 [341332 CELDA - U611 & U625] 341332. U611. U625. Celda Troquelada.
## 33 [CAJA INDUSTRIAL 24" ROTATIVA COMPLETA] 24". Lamina Troquelada.
## 34 [CAJA INDUSTRIAL 16" ROTATIVA] 16". Lamina Troquelada.
## 35 [643920 CART, SOM, 746.8X569.0X292.1, RSC - BOX 643920 STABOMAT] 13891. 643920. Stabomat. Caja.
## 36 [SEAT BACK CELDADO] Seat Back. Celda Armada.
## 37 [CAJA INDUSTRIAL 16" ROTATIVA] 16". Lamina Troquelada.
## 38 [TESLA XDA90 CELDA B] XDA90. B. Pieza.
## 39 [TESLA XDA90 CELDA A] XDA90. A. Pieza.
## 40 [341332 CELDA - U611 & U625] 341332. U611. U625. Celda Troquelada.
## 41 [341332 CHAROLA - U611 & U625] 341332. U611. U625. Charola Troquelada.
## 42 [DIVISOR CON DOBLEZ VW CHATTANOOGA] Chattanooga. St1 y St3. Divisor Troquelado.
## 43 [DIVISOR ZIGZAG VW CHATTANOOGA] Chattanooga. St1 y St3. Zig Zag Troquelado.
## 44 [CELDA VW CHATTANOOGA] Chattanooga. St3. Celda Troquelada.
## 45 [CHAROLA VW CHATTANOOGA] Chattanooga. St1 y St3. Charola Troquelada.
## 46 [DIVISOR GM177] 14238. GM177. Divisor.
## 47 [CELDA GM177] 14100. GM177. Celda Troquelada.
## 48 [CAJA RSC SHOCK TOWER] Shock Tower. Caja.
## 49 [Inserto Nextracker 3.0] Nextracker. 2.0. Damper. Inserto.
## 50 [BACKFRAME 60% TAPA BASE] 18271. 60% Backframe. Tapa Base.
## 51 [CAJA INDUSTRIAL 48" CON SELLO (PP)] 48". Lamina Troquelada.
## 52 [B - CELDA SUDAFRICA BMW G01 LCI] Sudáfrica. B. Pieza.
## 53 [A - CELDA SUDAFRICA BMW G01 LCI] Sudafrica. A. Pieza.
## 54 [TMC 050 - RSC] Console lower - TMC 050
## 55 [MITAD DE CUELLO SHOCK TOWER] Shock Tower. Mitad Cuello.
## 56 [241B EXPORT CAJA] 241B. Export. Caja.
## 57 [358268-TAPA] 358268-TAPA
## 58 [643920 CART, SOM, 746.8X569.0X292.1, RSC - BOX 643920 STABOMAT] 13891. 643920. Stabomat. Caja.
## 59 [358268-CAJA] 358268-CAJA
## 60 [Inserto Nextracker 3.0] Nextracker. 2.0. Damper. Inserto.
## 61 [CAJA RSC SHOCK TOWER] Shock Tower. Caja.
## 62 [N61506747 CAJA] N61506747. Kit. Caja.
## 63 [TR12440 TAPA P558] 18842. P558. Tapa.
## 64 [CAJA INDUSTRIAL 16" ROTATIVA] 16". Lamina Troquelada.
## 65 [TESLA XDA90 CHAROLA SUAJADA] XDA90. Charola. Pieza.
## 66 [341332 DIVISOR - U611 & U625] 341332. U611. U625. Divisor Troquelado.
## 67 [341332 CELDA - U611 & U625] 341332. U611. U625. Celda Troquelada.
## 68 [CELDA 955061] 955061. Celda Troquelada.
## 69 [DIVISOR GM177] 14238. GM177. Divisor.
## 70 [CAJA INDUSTRIAL 34" ROTATIVA] 34". Lamina Troquelada.
## 71 [358268-TAPA] 358268-TAPA
## 72 [358268-CAJA] 358268-CAJA
## 73 [NEXTRACKER 2.0 DAMPER CUELLO] 18976. Nextracker. 2.0. Damper. Cuello,
## 74 [NEXTRACKER 2.0 DAMPER TAPA DE COROPLAST] Nextracker. 2.0. Damper. Tapa de Coroplast.
## 75 [SEPARADOR MOTORGEAR] Motorgear. Separador para Celdas.
## 76 [CAJA INDUSTRIAL 16" ROTATIVA] 16". Lamina Troquelada.
## 77 [MQ4A-Dunnage-part2] Kia. Inserto. Pieza.
## 78 [MQ4A-Dunnage-tray] Kia. Charola. Pieza.
## 79 [BOX 143907 - CELDA] 143907. Solares. Celda Troquelada.
## 80 [CHAROLA AUDI Q5] 14128. Audi Q5. Charola Troquelada.
## 81 [CELDA 955061] 955061. Celda Troquelada.
## 82 [CHAROLA 955061] 955061. Charola Troquelada.
## 83 [CAJA 734949] CAJA 734949
## 84 [CAJA INDUSTRIAL 34" ROTATIVA] 34". Lamina Troquelada.
## 85 [CAJA INDUSTRIAL 48" CON SELLO (PP)] 48". Lamina Troquelada.
## 86 [MQ4A-Dunnage-part2] Kia. Inserto. Pieza.
## 87 [MQ4A-Dunnage-tray] Kia. Charola. Pieza.
## 88 [CELDA AUDI Q5] 14096. Audi Q5. Celda Troquelada.
## 89 [CHAROLA 955061] 955061. Charola Troquelada.
## 90 [CELDA AUDI Q5] 14096. Audi Q5. Celda Troquelada.
## 91 [CELDA GM177] 14100. GM177. Celda Troquelada.
## 92 [CAJA 695] N61506695. Caja.
## 93 [PTN.WS IP 60 CELL IBT] Y0199489 PTN.WS IP 60 CELL IBT
## 94 [341332 DIVISOR - U611 & U625] 341332. U611. U625. Divisor Troquelado.
## 95 [341332 CELDA - U611 & U625] 341332. U611. U625. Celda Troquelada.
## 96 [341332 CHAROLA - U611 & U625] 341332. U611. U625. Charola Troquelada.
## 97 [CHAROLA 955061] 955061. Charola Troquelada.
## 98 [CELDA AUDI Q5] 14096. Audi Q5. Celda Troquelada.
## 99 [CHAROLA AUDI Q5] 14128. Audi Q5. Charola Troquelada.
## 100 [357790-TAPA] 357790. Tapa.
## 101 [TR11910 CHAROLA C/2 DIV #20 SMOOTH C/32 CAVIDADES] TR11910. U725. DMS. ITB. Charola con ITB.
## 102 [SEPARADOR 41" X 44" PARA PIVOTE Y SEAT BACK DE MTM A PPG] SEPARADOR PIVOTE CONTENEDOR RETORNABLE
## 103 [496455 FS 30 99 0000 00 000 CARTÓN - BOX 0371813] BOX 0371813
## 104 [CAJA INDUSTRIAL 16" ROTATIVA] 16". Lamina Troquelada.
## 105 [341332 DIVISOR - U611 & U625] 341332. U611. U625. Divisor Troquelado.
## 106 [341332 CELDA - U611 & U625] 341332. U611. U625. Celda Troquelada.
## 107 [341332 CHAROLA - U611 & U625] 341332. U611. U625. Charola Troquelada.
## 108 [DIVISOR AUDI Q5] 14234. Audi Q5. Divisor Troquelado.
## 109 [CELDA AUDI Q5] 14096. Audi Q5. Celda Troquelada.
## 110 [341332 CELDA - U611 & U625] 341332. U611. U625. Celda Troquelada.
## 111 [CELDA GM177] 14100. GM177. Celda Troquelada.
## 112 [CHAROLA GM177] 14131. GM177. Charola Troquelada.
## 113 [CAJA INDUSTRIAL 16" ROTATIVA] 16". Lamina Troquelada.
## 114 [F - CELDA SUDAFRICA BMW G01 LCI] Sudáfrica. F. Pieza.
## 115 [D - CELDA SUDAFRICA BMW G01 LCI] Sudáfrica. D. Pieza.
## 116 [C - CELDA SUDAFRICA BMW G01 LCI] Sudáfrica. C. Pieza.
## 117 [B - CELDA SUDAFRICA BMW G01 LCI] Sudáfrica. B. Pieza.
## 118 [A - CELDA SUDAFRICA BMW G01 LCI] Sudafrica. A. Pieza.
## 119 [341332 CELDA - U611 & U625] 341332. U611. U625. Celda Troquelada.
## 120 [CELDA AUDI Q5] 14096. Audi Q5. Celda Troquelada.
## 121 [CELDA GM177] 14100. GM177. Celda Troquelada.
## 122 [TAPA AVANAZAR] Avanzar. Tapa. Pieza.
## 123 [CELDA 955061] 955061. Celda Troquelada.
## 124 [CAJA INDUSTRIAL 48" CON SELLO (PP)] 48". Lamina Troquelada.
## 125 [341332 CELDA - U611 & U625] 341332. U611. U625. Celda Troquelada.
## 126 [341332 CHAROLA - U611 & U625] 341332. U611. U625. Charola Troquelada.
## 127 [DIVISOR GM177] 14238. GM177. Divisor.
## 128 [CELDA GM177] 14100. GM177. Celda Troquelada.
## 129 [CHAROLA GM177] 14131. GM177. Charola Troquelada.
## 130 [CAJA INDUSTRIAL 48" CON SELLO (PP)] 48". Lamina Troquelada.
## 131 [MQ4A-Dunnage-part2] Kia. Inserto. Pieza.
## 132 [MQ4A-Dunnage-tray] Kia. Charola. Pieza.
## 133 [Celda Audi coupe] 18892. Coupe. Celda Troquelada.
## 134 [Charola audi coupe] 18890. Coupe. Charola Troquelada.
## 135 [E - CELDA SUDAFRICA BMW G01 LCI] Sudáfrica. E. Pieza.
## 136 [C - CELDA SUDAFRICA BMW G01 LCI] Sudáfrica. C. Pieza.
## 137 [B - CELDA SUDAFRICA BMW G01 LCI] Sudáfrica. B. Pieza.
## 138 [A - CELDA SUDAFRICA BMW G01 LCI] Sudafrica. A. Pieza.
## 139 [INSERTO 241B EXPORT] 14308. 241B. Export. Inserto.
## 140 [647713] 647713. Caja.
## 141 [357790-TAPA] 357790. Tapa.
## 142 [TESLA XDA90 CELDA A] XDA90. A. Pieza.
## 143 [TESLA XDA90 CHAROLA SUAJADA] XDA90. Charola. Pieza.
## 144 [341332 CELDA - U611 & U625] 341332. U611. U625. Celda Troquelada.
## 145 [341332 CHAROLA - U611 & U625] 341332. U611. U625. Charola Troquelada.
## 146 [DIVISOR GM177] 14238. GM177. Divisor.
## 147 [HSC P702 ICP] 17215. P558. P702. CD539. ICP. Caja HSC. Pieza.
## 148 [CAJA INDUSTRIAL 34" ROTATIVA] 34". Lamina Troquelada.
## 149 [CELDA GM177] 14100. GM177. Celda Troquelada.
## 150 [CHAROLA GM177] 14131. GM177. Charola Troquelada.
## 151 [F - CELDA SUDAFRICA BMW G01 LCI] Sudáfrica. F. Pieza.
## 152 [D - CELDA SUDAFRICA BMW G01 LCI] Sudáfrica. D. Pieza.
## 153 [CAJA RSC TGTX] TGTX. Caja RSC.
## 154 [647713] 647713. Caja.
## 155 [F - CELDA SUDAFRICA BMW G01 LCI] Sudáfrica. F. Pieza.
## 156 [D - CELDA SUDAFRICA BMW G01 LCI] Sudáfrica. D. Pieza.
## 157 [E - CELDA SUDAFRICA BMW G01 LCI] Sudáfrica. E. Pieza.
## 158 [C - CELDA SUDAFRICA BMW G01 LCI] Sudáfrica. C. Pieza.
## 159 [341332 CELDA - U611 & U625] 341332. U611. U625. Celda Troquelada.
## 160 [CAJA INDUSTRIAL 34" ROTATIVA] 34". Lamina Troquelada.
## 161 [642762 PACKING, SHEET, 565.2X742.9 - INSERT 642762] 642762. Pad. S.M.
## 162 [TR11910 CHAROLA C/2 DIV #20 SMOOTH C/32 CAVIDADES] TR11910. U725. DMS. ITB. Charola con ITB.
## 163 [SEAT BACK CAJA] Seat Back. Caja HSC 1/2
## 164 [DIVISOR REFLEX] 857. Reflex. Divisor.
## 165 [CAJA RSC DE KIT REFLEX] 857. Reflex. Caja.
## 166 [N61506396 CAJA] N61506396. Caja.
## 167 [N61506396 SEPARADOR] N61506396. Separador.
## 168 [CAJA 784] 784. Kit. Caja.
## 169 [500033 AS 30 99 0000 00 000 INSERTO - Inserto FORD China 500033] 17397. 500033. FORD China. Inserto.
## 170 [429296 AS 30 99 0000 00 000 INSERTO - INSERT TMC 150 TESLA] 14783. TMC150. Inserto.
## 171 [642762 PACKING, SHEET, 565.2X742.9 - INSERT 642762] 642762. Pad. S.M.
## 172 [NEXTRACKER 2.0 DAMPER CUELLO] 18976. Nextracker. 2.0. Damper. Cuello,
## 173 [467.416-24 COMPARTIMENT INSERT 535X335X221MM CC ESD] Refacciones. P1. Celdado.
## 174 [DIVISOR AUDI Q5] 14234. Audi Q5. Divisor Troquelado.
## 175 [CELDA AUDI Q5] 14096. Audi Q5. Celda Troquelada.
## 176 [CAJA INDUSTRIAL 16" ROTATIVA] 16". Lamina Troquelada.
## 177 [CHAROLA AUDI Q5] 14128. Audi Q5. Charola Troquelada.
## 178 [647713] 647713. Caja.
## 179 [CAJA INDUSTRIAL 16" ROTATIVA] 16". Lamina Troquelada.
## 180 [CELDA AUDI Q5] 14096. Audi Q5. Celda Troquelada.
## 181 [CHAROLA AUDI Q5] 14128. Audi Q5. Charola Troquelada.
## 182 [CAJA INDUSTRIAL 34" ROTATIVA] 34". Lamina Troquelada.
## 183 [NEXTRACKER 2.0 DAMPER TAPA DE COROPLAST] Nextracker. 2.0. Damper. Tapa de Coroplast.
## 184 [N61506747 TAPA] N61506747. Kit. Tapa.
## 185 [CAJA 784] 784. Kit. Caja.
## 186 [CELDA 955061] 955061. Celda Troquelada.
## 187 [CHAROLA 955061] 955061. Charola Troquelada.
## 188 [CHAROLA 955061] 955061. Charola Troquelada.
## 189 [REJILLA DE 16X PARA PIVOT DE TESLA PARA PROCESO DE MTM A PPG] CELDA PIVOTE CONTENEDOR RETORNABLE
## 190 [TR11910 CHAROLA C/2 DIV #20 SMOOTH C/32 CAVIDADES] TR11910. U725. DMS. ITB. Charola con ITB.
## 191 [TR12438 TAPA ICP 539 TAPA 2415-2 EN CPARTÓN SENCILLO CORRUGADO] 18840. CD539. Tapa.
## 192 [CAJA INDUSTRIAL 48" CON SELLO (PP)] 48". Lamina Troquelada.
## 193 [Celda Audi coupe] 18892. Coupe. Celda Troquelada.
## 194 [DIVISOR AUDI Q5] 14234. Audi Q5. Divisor Troquelado.
## 195 [CELDA AUDI Q5] 14096. Audi Q5. Celda Troquelada.
## 196 [CELDA 955061] 955061. Celda Troquelada.
## 197 [CAJA INDUSTRIAL 34" ROTATIVA] 34". Lamina Troquelada.
## 198 [HSC P702 ICP] 17215. P558. P702. CD539. ICP. Caja HSC. Pieza.
## 199 [CAJA MCV] Toyota. MCV. Caja Troquelada.
## 200 [CHAROLA VW CHATTANOOGA] Chattanooga. St1 y St3. Charola Troquelada.
## 201 [TMC 095] 19162. Modelo Y. TMC095. Front. Caja.
## 202 [CAJA INDUSTRIAL 16" ROTATIVA] 16". Lamina Troquelada.
## 203 [CAJA INDUSTRIAL 34" ROTATIVA] 34". Lamina Troquelada.
## 204 [HSC P702 ICP] 17215. P558. P702. CD539. ICP. Caja HSC. Pieza.
## 205 [CELDA GM177] 14100. GM177. Celda Troquelada.
## 206 [CHAROLA GM177] 14131. GM177. Charola Troquelada.
## 207 [Caja backup canastilla gris] CAJA DE CARTÓN BACK UP CANASTILLA GRIS- P3
## 208 [CAJA INDUSTRIAL 48" CON SELLO (PP)] 48". Lamina Troquelada.
## 209 [Celda Audi coupe] 18892. Coupe. Celda Troquelada.
## 210 [Charola audi coupe] 18890. Coupe. Charola Troquelada.
## 211 [446265 AS 30 99 0000 00 000 CAPA INTERMEDIA- PAD 43X36 DAIMLER] 14454. Daimler Pad 43 X 36
## 212 [CAJA INDUSTRIAL 16" ROTATIVA] 16". Lamina Troquelada.
## 213 [TESLA XDA90 CELDA A] XDA90. A. Pieza.
## 214 [DIVISOR GM177] 14238. GM177. Divisor.
## 215 [CELDA GM177] 14100. GM177. Celda Troquelada.
## 216 [CHAROLA GM177] 14131. GM177. Charola Troquelada.
## 217 [2065WY AS 30 99 0000 00 000 TAPA - BOX 2064WY] BOX 2064WY
## 218 [2065WY AS 30 99 0000 00 000 TAPA - BOX 2064WY] BOX 2064WY
## 219 [INSERTO 241B EXPORT] 14308. 241B. Export. Inserto.
## 220 [TR13776 CAJA RSC CK 44 ECT C/ PORTA ETIQUETA] TR13776. Caja con Porta Etiqueta.
## 221 [CELDA AUDI Q5] 14096. Audi Q5. Celda Troquelada.
## 222 [Inserto Nextracker 3.0] Nextracker. 2.0. Damper. Inserto.
## 223 [CELDA GM177] 14100. GM177. Celda Troquelada.
## 224 [HSC P702 ICP] 17215. P558. P702. CD539. ICP. Caja HSC. Pieza.
## 225 [TMC 095] 19162. Modelo Y. TMC095. Front. Caja.
## 226 [SEAT BACK CAJA] Seat Back. Caja HSC 1/2
## 227 [CAJA INDUSTRIAL 48" CON SELLO (PP)] 48". Lamina Troquelada.
## 228 [428818 AS 30 99 0000 00 000 INSERTO - CHRYSLER INSERT DJ] CHRYSLER INSERT DJ PART 694087
## 229 [TMC XXX] Armrest. Caja RSC.
## 230 [CAJA INDUSTRIAL 34" ROTATIVA] 34". Lamina Troquelada.
## 231 [428579 AS 30 99 0000 00 000 INSERTO- FORD DAMPER] 14306. Damper Ford DTP. Inserto.
## 232 [938830 FS 30 99 0000 00 000 CARTÓN - SIZE 24"] 24". Caja Terminada.
## 233 [N61506396 CAJA] N61506396. Caja.
## 234 [N61506747 CAJA] N61506747. Kit. Caja.
## 235 [CAJA INDUSTRIAL 34" ROTATIVA] 34". Lamina Troquelada.
## 236 [DIVISOR AUDI Q5] 14234. Audi Q5. Divisor Troquelado.
## 237 [CELDA AUDI Q5] 14096. Audi Q5. Celda Troquelada.
## 238 [CHAROLA AUDI Q5] 14128. Audi Q5. Charola Troquelada.
## 239 [CAJA INDUSTRIAL 34" ROTATIVA] 34". Lamina Troquelada.
## 240 [CAJA INDUSTRIAL 24" ROTATIVA COMPLETA] 24". Lamina Troquelada.
## 241 [DIVISOR ZIGZAG VW CHATTANOOGA] Chattanooga. St1 y St3. Zig Zag Troquelado.
## 242 [DIVISOR CON DOBLEZ VW CHATTANOOGA] Chattanooga. St1 y St3. Divisor Troquelado.
## 243 [CHAROLA VW CHATTANOOGA] Chattanooga. St1 y St3. Charola Troquelada.
## 244 [Console cell] Console Lower. Celda Armada.
## 245 [Console cell] Console Lower. Celda Armada.
## 246 [CELDA CON MICRO CORUUGAD O EN 32 PORTA ETIQUETA] TR13777 KIT TGTX. Caja + Celda
## 247 [CAJA 726] N61506726 CAJA
## 248 [TAPA 695] N61506695. Tapa.
## 249 [446265 AS 30 99 0000 00 000 CAPA INTERMEDIA- PAD 43X36 DAIMLER] 14454. Daimler Pad 43 X 36
## 250 [N61506747 TAPA] N61506747. Kit. Tapa.
## Cantidad Unidad.de.medida Ubicación.de.origen
## 1 2.0 Unidad(es) SAB/Calidad/Entrega de PT
## 2 1.0 Unidad(es) SAB/Calidad/Entrega de PT
## 3 1.0 Unidad(es) SAB/Calidad/Entrega de PT
## 4 31.0 Unidad(es) SAB/Pre-Production
## 5 1.0 Unidad(es) SAB/Pre-Production
## 6 1.0 Unidad(es) SAB/Pre-Production
## 7 1.0 Unidad(es) SAB/Pre-Production
## 8 9.0 Unidad(es) SAB/Pre-Production
## 9 2.0 Unidad(es) SAB/Pre-Production
## 10 1.0 Unidad(es) SAB/Pre-Production
## 11 4.0 Unidad(es) SAB/Calidad/Entrega de PT
## 12 2.0 Unidad(es) SAB/Calidad/Entrega de PT
## 13 19.0 Unidad(es) SAB/Calidad/Entrega de PT
## 14 2.0 Unidad(es) SAB/Calidad/Entrega de PT
## 15 1.0 Unidad(es) SAB/Pre-Production
## 16 10.0 Unidad(es) SAB/Pre-Production
## 17 4.0 Unidad(es) SAB/Pre-Production
## 18 1.0 Unidad(es) SAB/Pre-Production
## 19 3.0 Unidad(es) SAB/Pre-Production
## 20 3.0 Unidad(es) SAB/Pre-Production
## 21 4.0 Unidad(es) SAB/Pre-Production
## 22 1.0 Unidad(es) SAB/Pre-Production
## 23 6.0 Unidad(es) SAB/Pre-Production
## 24 2.0 Unidad(es) SAB/Pre-Production
## 25 2.0 Unidad(es) SAB/Pre-Production
## 26 1.0 Unidad(es) SAB/Pre-Production
## 27 1.0 Unidad(es) SAB/Pre-Production
## 28 9.0 Unidad(es) SAB/Calidad/Entrega de PT
## 29 6.0 Unidad(es) SAB/Calidad/Entrega de PT
## 30 20.0 Unidad(es) SAB/Pre-Production
## 31 10.0 Unidad(es) SAB/Pre-Production
## 32 51.0 Unidad(es) SAB/Pre-Production
## 33 2.0 Unidad(es) SAB/Pre-Production
## 34 2.0 Unidad(es) SAB/Pre-Production
## 35 2.5 Unidad(es) SAB/Pre-Production
## 36 2.0 Unidad(es) SAB/Calidad/Entrega de PT
## 37 5.0 Unidad(es) SAB/Pre-Production
## 38 3.0 Unidad(es) SAB/Pre-Production
## 39 2.0 Unidad(es) SAB/Pre-Production
## 40 12.0 Unidad(es) SAB/Pre-Production
## 41 2.0 Unidad(es) SAB/Pre-Production
## 42 1.0 Unidad(es) SAB/Pre-Production
## 43 1.0 Unidad(es) SAB/Pre-Production
## 44 3.0 Unidad(es) SAB/Pre-Production
## 45 2.0 Unidad(es) SAB/Pre-Production
## 46 4.0 Unidad(es) SAB/Pre-Production
## 47 4.0 Unidad(es) SAB/Pre-Production
## 48 1.0 Unidad(es) SAB/Calidad/Entrega de PT
## 49 8.0 Unidad(es) SAB/Calidad/Entrega de PT
## 50 1.0 Unidad(es) SAB/Calidad/Entrega de PT
## 51 1.0 Unidad(es) SAB/Pre-Production
## 52 3.0 Unidad(es) SAB/Pre-Production
## 53 2.0 Unidad(es) SAB/Pre-Production
## 54 1.0 Unidad(es) SAB/Pre-Production
## 55 2.5 Unidad(es) SAB/Pre-Production
## 56 2.0 Unidad(es) SAB/Calidad/Entrega de PT
## 57 1.0 Unidad(es) SAB/Calidad/Entrega de PT
## 58 1.0 Unidad(es) SAB/Calidad/Entrega de PT
## 59 2.0 Unidad(es) SAB/Calidad/Entrega de PT
## 60 2.0 Unidad(es) SAB/Calidad/Entrega de PT
## 61 1.0 Unidad(es) SAB/Calidad/Entrega de PT
## 62 1.0 Unidad(es) SAB/Calidad/Entrega de PT
## 63 1.0 Unidad(es) SAB/Calidad/Entrega de PT
## 64 1.0 Unidad(es) SAB/Pre-Production
## 65 2.0 Unidad(es) SAB/Pre-Production
## 66 9.0 Unidad(es) SAB/Pre-Production
## 67 19.0 Unidad(es) SAB/Pre-Production
## 68 6.0 Unidad(es) SAB/Pre-Production
## 69 36.0 Unidad(es) SAB/Pre-Production
## 70 10.0 Unidad(es) SAB/Pre-Production
## 71 2.0 Unidad(es) SAB/Calidad/Entrega de PT
## 72 1.0 Unidad(es) SAB/Calidad/Entrega de PT
## 73 2.0 Unidad(es) SAB/Calidad/Entrega de PT
## 74 1.0 Unidad(es) SAB/Calidad/Entrega de PT
## 75 1.0 Unidad(es) SAB/Calidad/Entrega de PT
## 76 4.0 Unidad(es) SAB/Pre-Production
## 77 6.0 Unidad(es) SAB/Pre-Production
## 78 3.0 Unidad(es) SAB/Pre-Production
## 79 10.0 Unidad(es) SAB/Pre-Production
## 80 5.0 Unidad(es) SAB/Pre-Production
## 81 9.0 Unidad(es) SAB/Pre-Production
## 82 2.0 Unidad(es) SAB/Pre-Production
## 83 2.0 Unidad(es) SAB/Pre-Production
## 84 2.0 Unidad(es) SAB/Pre-Production
## 85 3.0 Unidad(es) SAB/Pre-Production
## 86 6.0 Unidad(es) SAB/Pre-Production
## 87 3.0 Unidad(es) SAB/Pre-Production
## 88 96.0 Unidad(es) SAB/Pre-Production
## 89 1.0 Unidad(es) SAB/Pre-Production
## 90 24.0 Unidad(es) SAB/Pre-Production
## 91 8.0 Unidad(es) SAB/Pre-Production
## 92 1.0 Unidad(es) SAB/Post-Production
## 93 2.0 Unidad(es) SAB/Calidad/Entrega de PT
## 94 1.0 Unidad(es) SAB/Pre-Production
## 95 6.0 Unidad(es) SAB/Pre-Production
## 96 7.0 Unidad(es) SAB/Pre-Production
## 97 5.0 Unidad(es) SAB/Pre-Production
## 98 40.0 Unidad(es) SAB/Pre-Production
## 99 4.0 Unidad(es) SAB/Pre-Production
## 100 4.0 Unidad(es) SAB/Pre-Production
## 101 2.0 Unidad(es) SAB/Calidad/Entrega de PT
## 102 6.0 Unidad(es) SAB/Calidad/Entrega de PT
## 103 1.0 Unidad(es) SAB/Post-Production
## 104 1.0 Unidad(es) SAB/Pre-Production
## 105 2.0 Unidad(es) SAB/Pre-Production
## 106 12.0 Unidad(es) SAB/Pre-Production
## 107 3.0 Unidad(es) SAB/Pre-Production
## 108 1.0 Unidad(es) SAB/Pre-Production
## 109 60.0 Unidad(es) SAB/Pre-Production
## 110 20.0 Unidad(es) SAB/Pre-Production
## 111 56.0 Unidad(es) SAB/Pre-Production
## 112 1.0 Unidad(es) SAB/Pre-Production
## 113 7.0 Unidad(es) SAB/Pre-Production
## 114 4.0 Unidad(es) SAB/Pre-Production
## 115 2.0 Unidad(es) SAB/Pre-Production
## 116 2.0 Unidad(es) SAB/Pre-Production
## 117 2.0 Unidad(es) SAB/Pre-Production
## 118 2.0 Unidad(es) SAB/Pre-Production
## 119 11.0 Unidad(es) SAB/Pre-Production
## 120 24.0 Unidad(es) SAB/Pre-Production
## 121 16.0 Unidad(es) SAB/Pre-Production
## 122 2.0 Unidad(es) SAB/Pre-Production
## 123 10.0 Unidad(es) SAB/Pre-Production
## 124 6.0 Unidad(es) SAB/Pre-Production
## 125 15.0 Unidad(es) SAB/Pre-Production
## 126 2.0 Unidad(es) SAB/Pre-Production
## 127 7.0 Unidad(es) SAB/Pre-Production
## 128 15.0 Unidad(es) SAB/Pre-Production
## 129 2.0 Unidad(es) SAB/Pre-Production
## 130 1.0 Unidad(es) SAB/Pre-Production
## 131 8.0 Unidad(es) SAB/Pre-Production
## 132 4.0 Unidad(es) SAB/Pre-Production
## 133 24.0 Unidad(es) SAB/Pre-Production
## 134 1.0 Unidad(es) SAB/Pre-Production
## 135 2.0 Unidad(es) SAB/Pre-Production
## 136 2.0 Unidad(es) SAB/Pre-Production
## 137 2.0 Unidad(es) SAB/Pre-Production
## 138 2.0 Unidad(es) SAB/Pre-Production
## 139 8.0 Unidad(es) SAB/Calidad/Entrega de PT
## 140 3.0 Unidad(es) SAB/Calidad/Entrega de PT
## 141 2.0 Unidad(es) SAB/Calidad/Entrega de PT
## 142 18.0 Unidad(es) SAB/Pre-Production
## 143 2.0 Unidad(es) SAB/Pre-Production
## 144 9.0 Unidad(es) SAB/Pre-Production
## 145 4.0 Unidad(es) SAB/Pre-Production
## 146 6.0 Unidad(es) SAB/Pre-Production
## 147 1.0 Unidad(es) SAB/Pre-Production
## 148 3.0 Unidad(es) SAB/Pre-Production
## 149 8.0 Unidad(es) SAB/Pre-Production
## 150 2.0 Unidad(es) SAB/Pre-Production
## 151 2.0 Unidad(es) SAB/Pre-Production
## 152 2.0 Unidad(es) SAB/Pre-Production
## 153 1.0 Unidad(es) SAB/Pre-Production
## 154 2.0 Unidad(es) SAB/Pre-Production
## 155 10.0 Unidad(es) SAB/Pre-Production
## 156 20.0 Unidad(es) SAB/Pre-Production
## 157 14.0 Unidad(es) SAB/Pre-Production
## 158 24.0 Unidad(es) SAB/Pre-Production
## 159 20.0 Unidad(es) SAB/Pre-Production
## 160 2.0 Unidad(es) SAB/Pre-Production
## 161 1.0 Unidad(es) SAB/Calidad/Entrega de PT
## 162 4.0 Unidad(es) SAB/Calidad/Entrega de PT
## 163 1.0 Unidad(es) SAB/Calidad/Entrega de PT
## 164 2.0 Unidad(es) SAB/Post-Production
## 165 2.0 Unidad(es) SAB/Post-Production
## 166 1.0 Unidad(es) SAB/Post-Production
## 167 2.0 Unidad(es) SAB/Post-Production
## 168 1.0 Unidad(es) SAB/Post-Production
## 169 4.0 Unidad(es) SAB/Calidad/Entrega de PT
## 170 4.0 Unidad(es) SAB/Calidad/Entrega de PT
## 171 1.0 Unidad(es) SAB/Calidad/Entrega de PT
## 172 2.0 Unidad(es) SAB/Calidad/Entrega de PT
## 173 13.0 Unidad(es) SAB/Calidad/Entrega de PT
## 174 5.0 Unidad(es) SAB/Pre-Production
## 175 80.0 Unidad(es) SAB/Pre-Production
## 176 1.0 Unidad(es) SAB/Pre-Production
## 177 1.0 Unidad(es) SAB/Pre-Production
## 178 12.0 Unidad(es) SAB/Pre-Production
## 179 2.0 Unidad(es) SAB/Pre-Production
## 180 48.0 Unidad(es) SAB/Pre-Production
## 181 2.0 Unidad(es) SAB/Pre-Production
## 182 1.0 Unidad(es) SAB/Pre-Production
## 183 1.0 Unidad(es) SAB/Calidad/Entrega de PT
## 184 1.0 Unidad(es) SAB/Calidad/Entrega de PT
## 185 1.0 Unidad(es) SAB/Post-Production
## 186 12.0 Unidad(es) SAB/Pre-Production
## 187 3.0 Unidad(es) SAB/Pre-Production
## 188 2.0 Unidad(es) SAB/Pre-Production
## 189 1.0 Unidad(es) SAB/Calidad/Entrega de PT
## 190 1.0 Unidad(es) SAB/Calidad/Entrega de PT
## 191 2.0 Unidad(es) SAB/Post-Production
## 192 2.0 Unidad(es) SAB/Pre-Production
## 193 8.0 Unidad(es) SAB/Pre-Production
## 194 1.0 Unidad(es) SAB/Pre-Production
## 195 36.0 Unidad(es) SAB/Pre-Production
## 196 9.0 Unidad(es) SAB/Pre-Production
## 197 1.0 Unidad(es) SAB/Pre-Production
## 198 1.0 Unidad(es) SAB/Pre-Production
## 199 1.0 Unidad(es) SAB/Pre-Production
## 200 1.0 Unidad(es) SAB/Pre-Production
## 201 1.0 Unidad(es) SAB/Pre-Production
## 202 2.0 Unidad(es) SAB/Pre-Production
## 203 2.0 Unidad(es) SAB/Pre-Production
## 204 1.0 Unidad(es) SAB/Pre-Production
## 205 8.0 Unidad(es) SAB/Pre-Production
## 206 2.0 Unidad(es) SAB/Pre-Production
## 207 1.0 Unidad(es) SAB/Post-Production
## 208 4.0 Unidad(es) SAB/Pre-Production
## 209 8.0 Unidad(es) SAB/Pre-Production
## 210 1.0 Unidad(es) SAB/Pre-Production
## 211 1.0 Unidad(es) SAB/Calidad/Entrega de PT
## 212 1.0 Unidad(es) SAB/Pre-Production
## 213 10.0 Unidad(es) SAB/Pre-Production
## 214 4.0 Unidad(es) SAB/Pre-Production
## 215 13.0 Unidad(es) SAB/Pre-Production
## 216 10.0 Unidad(es) SAB/Pre-Production
## 217 43.0 Unidad(es) SAB/Pre-Production
## 218 6.0 Unidad(es) SAB/Calidad/Entrega de PT
## 219 2.0 Unidad(es) SAB/Calidad/Entrega de PT
## 220 7.0 Unidad(es) SAB/Post-Production
## 221 28.0 Unidad(es) SAB/Pre-Production
## 222 6.0 Unidad(es) SAB/Pre-Production
## 223 16.0 Unidad(es) SAB/Pre-Production
## 224 2.0 Unidad(es) SAB/Pre-Production
## 225 2.0 Unidad(es) SAB/Calidad/Entrega de PT
## 226 1.0 Unidad(es) SAB/Calidad/Entrega de PT
## 227 1.0 Unidad(es) SAB/Pre-Production
## 228 1.0 Unidad(es) SAB/Pre-Production
## 229 1.0 Unidad(es) SAB/Pre-Production
## 230 2.0 Unidad(es) SAB/Pre-Production
## 231 1.0 Unidad(es) SAB/Calidad/Entrega de PT
## 232 1.0 Unidad(es) SAB/Calidad/Entrega de PT
## 233 1.0 Unidad(es) SAB/Calidad/Entrega de PT
## 234 1.0 Unidad(es) SAB/Calidad/Entrega de PT
## 235 8.0 Unidad(es) SAB/Pre-Production
## 236 3.0 Unidad(es) SAB/Pre-Production
## 237 20.0 Unidad(es) SAB/Pre-Production
## 238 1.0 Unidad(es) SAB/Pre-Production
## 239 3.0 Unidad(es) SAB/Pre-Production
## 240 8.0 Unidad(es) SAB/Pre-Production
## 241 4.0 Unidad(es) SAB/Pre-Production
## 242 4.0 Unidad(es) SAB/Pre-Production
## 243 1.0 Unidad(es) SAB/Pre-Production
## 244 1.0 Unidad(es) SAB/Calidad/Entrega de PT
## 245 0.0 Unidad(es) SAB/Calidad/Entrega de PT
## 246 15.0 Unidad(es) SAB/Calidad/Entrega de PT
## 247 1.0 Unidad(es) SAB/Post-Production
## 248 1.0 Unidad(es) SAB/Post-Production
## 249 1.0 Unidad(es) SAB/Calidad/Entrega de PT
## 250 1.0 Unidad(es) SAB/Calidad/Entrega de PT
## Ubicación.de.desecho Estado
## 1 Virtual Locations/Scrapped Hecho
## 2 Virtual Locations/Scrapped Hecho
## 3 Virtual Locations/Scrapped Hecho
## 4 Virtual Locations/Scrapped Hecho
## 5 Virtual Locations/Scrapped Hecho
## 6 Virtual Locations/Scrapped Hecho
## 7 Virtual Locations/Scrapped Hecho
## 8 Virtual Locations/Scrapped Hecho
## 9 Virtual Locations/Scrapped Hecho
## 10 Virtual Locations/Scrapped Hecho
## 11 Virtual Locations/Scrapped Hecho
## 12 Virtual Locations/Scrapped Hecho
## 13 Virtual Locations/Scrapped Hecho
## 14 Virtual Locations/Scrapped Hecho
## 15 Virtual Locations/Scrapped Hecho
## 16 Virtual Locations/Scrapped Hecho
## 17 Virtual Locations/Scrapped Hecho
## 18 Virtual Locations/Scrapped Hecho
## 19 Virtual Locations/Scrapped Hecho
## 20 Virtual Locations/Scrapped Hecho
## 21 Virtual Locations/Scrapped Hecho
## 22 Virtual Locations/Scrapped Hecho
## 23 Virtual Locations/Scrapped Hecho
## 24 Virtual Locations/Scrapped Hecho
## 25 Virtual Locations/Scrapped Hecho
## 26 Virtual Locations/Scrapped Hecho
## 27 Virtual Locations/Scrapped Hecho
## 28 Virtual Locations/Scrapped Hecho
## 29 Virtual Locations/Scrapped Hecho
## 30 Virtual Locations/Scrapped Hecho
## 31 Virtual Locations/Scrapped Hecho
## 32 Virtual Locations/Scrapped Hecho
## 33 Virtual Locations/Scrapped Hecho
## 34 Virtual Locations/Scrapped Hecho
## 35 Virtual Locations/Scrapped Hecho
## 36 Virtual Locations/Scrapped Hecho
## 37 Virtual Locations/Scrapped Hecho
## 38 Virtual Locations/Scrapped Hecho
## 39 Virtual Locations/Scrapped Hecho
## 40 Virtual Locations/Scrapped Hecho
## 41 Virtual Locations/Scrapped Hecho
## 42 Virtual Locations/Scrapped Hecho
## 43 Virtual Locations/Scrapped Hecho
## 44 Virtual Locations/Scrapped Hecho
## 45 Virtual Locations/Scrapped Hecho
## 46 Virtual Locations/Scrapped Hecho
## 47 Virtual Locations/Scrapped Hecho
## 48 Virtual Locations/Scrapped Hecho
## 49 Virtual Locations/Scrapped Hecho
## 50 Virtual Locations/Scrapped Hecho
## 51 Virtual Locations/Scrapped Hecho
## 52 Virtual Locations/Scrapped Hecho
## 53 Virtual Locations/Scrapped Hecho
## 54 Virtual Locations/Scrapped Hecho
## 55 Virtual Locations/Scrapped Hecho
## 56 Virtual Locations/Scrapped Hecho
## 57 Virtual Locations/Scrapped Hecho
## 58 Virtual Locations/Scrapped Hecho
## 59 Virtual Locations/Scrapped Hecho
## 60 Virtual Locations/Scrapped Hecho
## 61 Virtual Locations/Scrapped Hecho
## 62 Virtual Locations/Scrapped Hecho
## 63 Virtual Locations/Scrapped Hecho
## 64 Virtual Locations/Scrapped Hecho
## 65 Virtual Locations/Scrapped Hecho
## 66 Virtual Locations/Scrapped Hecho
## 67 Virtual Locations/Scrapped Hecho
## 68 Virtual Locations/Scrapped Hecho
## 69 Virtual Locations/Scrapped Hecho
## 70 Virtual Locations/Scrapped Hecho
## 71 Virtual Locations/Scrapped Hecho
## 72 Virtual Locations/Scrapped Hecho
## 73 Virtual Locations/Scrapped Hecho
## 74 Virtual Locations/Scrapped Hecho
## 75 Virtual Locations/Scrapped Hecho
## 76 Virtual Locations/Scrapped Hecho
## 77 Virtual Locations/Scrapped Hecho
## 78 Virtual Locations/Scrapped Hecho
## 79 Virtual Locations/Scrapped Hecho
## 80 Virtual Locations/Scrapped Hecho
## 81 Virtual Locations/Scrapped Hecho
## 82 Virtual Locations/Scrapped Hecho
## 83 Virtual Locations/Scrapped Hecho
## 84 Virtual Locations/Scrapped Hecho
## 85 Virtual Locations/Scrapped Hecho
## 86 Virtual Locations/Scrapped Hecho
## 87 Virtual Locations/Scrapped Hecho
## 88 Virtual Locations/Scrapped Hecho
## 89 Virtual Locations/Scrapped Hecho
## 90 Virtual Locations/Scrapped Hecho
## 91 Virtual Locations/Scrapped Hecho
## 92 Virtual Locations/Scrapped Hecho
## 93 Virtual Locations/Scrapped Hecho
## 94 Virtual Locations/Scrapped Hecho
## 95 Virtual Locations/Scrapped Hecho
## 96 Virtual Locations/Scrapped Hecho
## 97 Virtual Locations/Scrapped Hecho
## 98 Virtual Locations/Scrapped Hecho
## 99 Virtual Locations/Scrapped Hecho
## 100 Virtual Locations/Scrapped Hecho
## 101 Virtual Locations/Scrapped Hecho
## 102 Virtual Locations/Scrapped Hecho
## 103 Virtual Locations/Scrapped Hecho
## 104 Virtual Locations/Scrapped Hecho
## 105 Virtual Locations/Scrapped Hecho
## 106 Virtual Locations/Scrapped Hecho
## 107 Virtual Locations/Scrapped Hecho
## 108 Virtual Locations/Scrapped Hecho
## 109 Virtual Locations/Scrapped Hecho
## 110 Virtual Locations/Scrapped Hecho
## 111 Virtual Locations/Scrapped Hecho
## 112 Virtual Locations/Scrapped Hecho
## 113 Virtual Locations/Scrapped Hecho
## 114 Virtual Locations/Scrapped Hecho
## 115 Virtual Locations/Scrapped Hecho
## 116 Virtual Locations/Scrapped Hecho
## 117 Virtual Locations/Scrapped Hecho
## 118 Virtual Locations/Scrapped Hecho
## 119 Virtual Locations/Scrapped Hecho
## 120 Virtual Locations/Scrapped Hecho
## 121 Virtual Locations/Scrapped Hecho
## 122 Virtual Locations/Scrapped Hecho
## 123 Virtual Locations/Scrapped Hecho
## 124 Virtual Locations/Scrapped Hecho
## 125 Virtual Locations/Scrapped Hecho
## 126 Virtual Locations/Scrapped Hecho
## 127 Virtual Locations/Scrapped Hecho
## 128 Virtual Locations/Scrapped Hecho
## 129 Virtual Locations/Scrapped Hecho
## 130 Virtual Locations/Scrapped Hecho
## 131 Virtual Locations/Scrapped Hecho
## 132 Virtual Locations/Scrapped Hecho
## 133 Virtual Locations/Scrapped Hecho
## 134 Virtual Locations/Scrapped Hecho
## 135 Virtual Locations/Scrapped Hecho
## 136 Virtual Locations/Scrapped Hecho
## 137 Virtual Locations/Scrapped Hecho
## 138 Virtual Locations/Scrapped Hecho
## 139 Virtual Locations/Scrapped Hecho
## 140 Virtual Locations/Scrapped Hecho
## 141 Virtual Locations/Scrapped Hecho
## 142 Virtual Locations/Scrapped Hecho
## 143 Virtual Locations/Scrapped Hecho
## 144 Virtual Locations/Scrapped Hecho
## 145 Virtual Locations/Scrapped Hecho
## 146 Virtual Locations/Scrapped Hecho
## 147 Virtual Locations/Scrapped Hecho
## 148 Virtual Locations/Scrapped Hecho
## 149 Virtual Locations/Scrapped Hecho
## 150 Virtual Locations/Scrapped Hecho
## 151 Virtual Locations/Scrapped Hecho
## 152 Virtual Locations/Scrapped Hecho
## 153 Virtual Locations/Scrapped Hecho
## 154 Virtual Locations/Scrapped Hecho
## 155 Virtual Locations/Scrapped Hecho
## 156 Virtual Locations/Scrapped Hecho
## 157 Virtual Locations/Scrapped Hecho
## 158 Virtual Locations/Scrapped Hecho
## 159 Virtual Locations/Scrapped Hecho
## 160 Virtual Locations/Scrapped Hecho
## 161 Virtual Locations/Scrapped Hecho
## 162 Virtual Locations/Scrapped Hecho
## 163 Virtual Locations/Scrapped Hecho
## 164 Virtual Locations/Scrapped Hecho
## 165 Virtual Locations/Scrapped Hecho
## 166 Virtual Locations/Scrapped Hecho
## 167 Virtual Locations/Scrapped Hecho
## 168 Virtual Locations/Scrapped Hecho
## 169 Virtual Locations/Scrapped Hecho
## 170 Virtual Locations/Scrapped Hecho
## 171 Virtual Locations/Scrapped Hecho
## 172 Virtual Locations/Scrapped Hecho
## 173 Virtual Locations/Scrapped Hecho
## 174 Virtual Locations/Scrapped Hecho
## 175 Virtual Locations/Scrapped Hecho
## 176 Virtual Locations/Scrapped Hecho
## 177 Virtual Locations/Scrapped Hecho
## 178 Virtual Locations/Scrapped Hecho
## 179 Virtual Locations/Scrapped Hecho
## 180 Virtual Locations/Scrapped Hecho
## 181 Virtual Locations/Scrapped Hecho
## 182 Virtual Locations/Scrapped Hecho
## 183 Virtual Locations/Scrapped Hecho
## 184 Virtual Locations/Scrapped Hecho
## 185 Virtual Locations/Scrapped Hecho
## 186 Virtual Locations/Scrapped Hecho
## 187 Virtual Locations/Scrapped Hecho
## 188 Virtual Locations/Scrapped Hecho
## 189 Virtual Locations/Scrapped Hecho
## 190 Virtual Locations/Scrapped Hecho
## 191 Virtual Locations/Scrapped Hecho
## 192 Virtual Locations/Scrapped Hecho
## 193 Virtual Locations/Scrapped Hecho
## 194 Virtual Locations/Scrapped Hecho
## 195 Virtual Locations/Scrapped Hecho
## 196 Virtual Locations/Scrapped Hecho
## 197 Virtual Locations/Scrapped Hecho
## 198 Virtual Locations/Scrapped Hecho
## 199 Virtual Locations/Scrapped Hecho
## 200 Virtual Locations/Scrapped Hecho
## 201 Virtual Locations/Scrapped Hecho
## 202 Virtual Locations/Scrapped Hecho
## 203 Virtual Locations/Scrapped Hecho
## 204 Virtual Locations/Scrapped Hecho
## 205 Virtual Locations/Scrapped Hecho
## 206 Virtual Locations/Scrapped Hecho
## 207 Virtual Locations/Scrapped Hecho
## 208 Virtual Locations/Scrapped Hecho
## 209 Virtual Locations/Scrapped Hecho
## 210 Virtual Locations/Scrapped Hecho
## 211 Virtual Locations/Scrapped Hecho
## 212 Virtual Locations/Scrapped Hecho
## 213 Virtual Locations/Scrapped Hecho
## 214 Virtual Locations/Scrapped Hecho
## 215 Virtual Locations/Scrapped Hecho
## 216 Virtual Locations/Scrapped Hecho
## 217 Virtual Locations/Scrapped Hecho
## 218 Virtual Locations/Scrapped Hecho
## 219 Virtual Locations/Scrapped Hecho
## 220 Virtual Locations/Scrapped Hecho
## 221 Virtual Locations/Scrapped Hecho
## 222 Virtual Locations/Scrapped Hecho
## 223 Virtual Locations/Scrapped Hecho
## 224 Virtual Locations/Scrapped Hecho
## 225 Virtual Locations/Scrapped Hecho
## 226 Virtual Locations/Scrapped Hecho
## 227 Virtual Locations/Scrapped Hecho
## 228 Virtual Locations/Scrapped Hecho
## 229 Virtual Locations/Scrapped Hecho
## 230 Virtual Locations/Scrapped Hecho
## 231 Virtual Locations/Scrapped Hecho
## 232 Virtual Locations/Scrapped Hecho
## 233 Virtual Locations/Scrapped Hecho
## 234 Virtual Locations/Scrapped Hecho
## 235 Virtual Locations/Scrapped Hecho
## 236 Virtual Locations/Scrapped Hecho
## 237 Virtual Locations/Scrapped Hecho
## 238 Virtual Locations/Scrapped Hecho
## 239 Virtual Locations/Scrapped Hecho
## 240 Virtual Locations/Scrapped Hecho
## 241 Virtual Locations/Scrapped Hecho
## 242 Virtual Locations/Scrapped Hecho
## 243 Virtual Locations/Scrapped Hecho
## 244 Virtual Locations/Scrapped Hecho
## 245 Virtual Locations/Scrapped Hecho
## 246 Virtual Locations/Scrapped Hecho
## 247 Virtual Locations/Scrapped Hecho
## 248 Virtual Locations/Scrapped Hecho
## 249 Virtual Locations/Scrapped Hecho
## 250 Virtual Locations/Scrapped Hechosum(is.na(bd1))## [1] 0sum(is.na(SCRAP))## [1] 0sapply(bd1, function(x) sum(is.na(x)))## Referencia Fecha Hora
## 0 0 0
## Producto Cantidad Unidad.de.medida
## 0 0 0
## Ubicación.de.origen Ubicación.de.desecho Estado
## 0 0 0sapply(SCRAP, function(x) sum(is.na(x)))## Referencia Fecha Hora
## 0 0 0
## Producto Cantidad Unidad.de.medida
## 0 0 0
## Ubicación.de.origen Ubicación.de.desecho Estado
## 0 0 0### Cambiar columnas y variables
#seleccionar columnas / variables.
#bd1<-SCRAP %>% select(one_of("Fecha","Hora","Producto","Cantidad","Ubicación.de.origen"))
#Renombrar las columnas /variables seleccionadas.
colnames(bd1) <-c ('Fecha','Hora','Prod.','Cant.','Origen')
# **Nota:** Se cambiaron los nombres de las variables a nombres más cortos para no contar con nombres largos.
## Tabla de estadísticos descriptivos
#summary(bd1)
#describe(bd1)
sd(bd1$Cantidad, na.rm= TRUE) ## [1] NAVariable<-c("Cant.")
Mediana<-c("2.00")
Media <- c("6.696")
Moda <- c("1") #EXCEL
Desviación_estandar<-c("11.84885")
table1 <- data.frame (Variable, Mediana, Media, Moda, Desviación_estandar)
knitr::kable(table1)| Variable | Mediana | Media | Moda | Desviación_estandar |
|---|---|---|---|---|
| Cant. | 2.00 | 6.696 | 1 | 11.84885 |
## Crear 1-2 “time series plots” (line plot) que muestran la dispersión de variables selecionadas.
summary(bd1)## Fecha Hora Prod. Cant.
## Length:250 Length:250 Length:250 Length:250
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Origen NA NA NA
## Min. : 0.000 Length:250 Length:250 Length:250
## 1st Qu.: 1.000 Class :character Class :character Class :character
## Median : 2.000 Mode :character Mode :character Mode :character
## Mean : 6.696
## 3rd Qu.: 7.000
## Max. :96.000
## NA
## Length:250
## Class :character
## Mode :character
##
##
## ggplot(bd1,aes(x=Cant.))+
geom_line(aes(y=Origen),color="Red")+
labs(x="Cant",y="Origen", color="Legend")+
ggtitle("Mayores cantidades de Scrap por origen")
# La gráfica anterior nos muestra que hay una mayor cantidad de 'scrap' generado en Pre-Producción, siguiéndole Entrega de Producto Terminado y finalmente Post-Producción. Esto nos indica que hay una ineficiencia mayor en el área pre-productiva.2. Merma
## Llamar base de datos.
FORM<- read.csv('FORM - Merma limpia.csv')
## Entender Base de Datos
resumen <- summary(FORM)
resumen## Fecha Kilos
## Length:42 Min. : 1040
## Class :character 1st Qu.: 3682
## Mode :character Median : 4025
## Mean : 4415
## 3rd Qu.: 4325
## Max. :18900## *1.¿Cuántas variables y cuántos registros tiene la base de datos?*
# <center> <span style="color:Blue"> R= 52 registros y 2 variables </center>
str(FORM)## 'data.frame': 42 obs. of 2 variables:
## $ Fecha: chr "11/01/22" "22/01/22" "18/02/22" "24/02/22" ...
## $ Kilos: num 8890 5670 18900 3930 4000 4190 2980 3290 4200 3810 ...describe(FORM)## # A tibble: 1 × 26
## described_…¹ n na mean sd se_mean IQR skewn…² kurto…³ p00 p01
## <chr> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Kilos 42 0 4415. 2572. 397. 642. 4.61 25.6 1040 1487.
## # … with 15 more variables: p05 <dbl>, p10 <dbl>, p20 <dbl>, p25 <dbl>,
## # p30 <dbl>, p40 <dbl>, p50 <dbl>, p60 <dbl>, p70 <dbl>, p75 <dbl>,
## # p80 <dbl>, p90 <dbl>, p95 <dbl>, p99 <dbl>, p100 <dbl>, and abbreviated
## # variable names ¹described_variables, ²skewness, ³kurtosis# **Nota:**En esta base de datos se eliminaron la columana que no era relevante para el analisis, Se eliminaron los registros de total de merma y la columna de mes ya que no eran irrelevantes. Por lo tanto nos quedamos con 52 registros y 2 variables.
## *2.*Para el caso de variables cuantitativas considerar la posibilidad de reemplazar la presencia de “missing values” con estadísticos descriptivos (por ejemplo, media, mediana, moda).*
# Remplazar valores faltantes por la mediana: No se pueden cambair debido a que los NA´S de la base de datos no tienen información. Por lo tanto se van a Eliminar.
FORM_1<-FORM
FORM_1<- na.omit(FORM_1)
summary(FORM_1)## Fecha Kilos
## Length:42 Min. : 1040
## Class :character 1st Qu.: 3682
## Mode :character Median : 4025
## Mean : 4415
## 3rd Qu.: 4325
## Max. :18900summary(FORM) ## Fecha Kilos
## Length:42 Min. : 1040
## Class :character 1st Qu.: 3682
## Mode :character Median : 4025
## Mean : 4415
## 3rd Qu.: 4325
## Max. :18900str(FORM)## 'data.frame': 42 obs. of 2 variables:
## $ Fecha: chr "11/01/22" "22/01/22" "18/02/22" "24/02/22" ...
## $ Kilos: num 8890 5670 18900 3930 4000 4190 2980 3290 4200 3810 ...FORM$Kilos<-as.numeric(FORM$Kilos)
FORM<-FORM %>% mutate(Kilos=if_else(is.na(Kilos),median(Kilos,na.rm = T),Kilos))
# **Nota:**En esta base de datos la única variable que se puede reemplazar por la mediana es la columna de 'kilos'. Ya se remplazaron los valores faltantes por la mediana.
## Cambiar nombres de columnas y variables
### Seleccionar columnas / variables.
FORM<-FORM %>% select(-one_of('Fecha','Kilos'))
### Renombrar las columnas /variables seleccionadas.
colnames(FORM_1) <-c ('Fcha','Kilo')
# *Respecto a variables cualitativas (por ejemplo, género, cliente,municipio, estado) homogenizar el nombre de las diferentes categorías. *
# *Respecto a La base de datos analizada, no aplica el paso de homogenizar las variables, ya que en este caso sólo se cuenta con dos variables en la base de datos.*
## Tabla de estadísticos descriptivos
summary(FORM_1)## Fcha Kilo
## Length:42 Min. : 1040
## Class :character 1st Qu.: 3682
## Mode :character Median : 4025
## Mean : 4415
## 3rd Qu.: 4325
## Max. :18900sd(FORM_1$Kilo, na.rm = FALSE)## [1] 2571.793median(FORM_1$Kilo, na.rm = TRUE)## [1] 4025mean(FORM_1$Kilo, na.rm = TRUE)## [1] 4414.905sd(FORM_1$Kilo, na.rm = FALSE)## [1] 2571.793mfv(FORM_1$Kilo)## [1] 3140 4190 4200variable<-c("'Kilo")
Mediana<-c("4025")
Media <- c("4415")
Moda <- c("4190")
Desviación_estandar<-c("2571.793")
table1 <- data.frame (variable, Mediana, Media, Moda, Desviación_estandar)
knitr::kable(table1)| variable | Mediana | Media | Moda | Desviación_estandar |
|---|---|---|---|---|
| ’Kilo | 4025 | 4415 | 4190 | 2571.793 |
## Time Serie Plots
FORM_1$Fcha<-as.Date(FORM_1$Fcha,format="%d/%m/%y")
summary(FORM_1)## Fcha Kilo
## Min. :2022-01-11 Min. : 1040
## 1st Qu.:2022-04-05 1st Qu.: 3682
## Median :2022-06-11 Median : 4025
## Mean :2022-06-04 Mean : 4415
## 3rd Qu.:2022-08-10 3rd Qu.: 4325
## Max. :2022-09-21 Max. :18900ggplot(FORM_1,aes(x=Fcha))+
geom_line(aes(y=Kilo),color="blue")+
labs(x="Fecha",y="Kilo", color="Legend")+
ggtitle("Kilos de merma por mes")
# La gráfica anterior muestra los kilos de merma generados por mes. De acuerdo a los datos, entre Febrero y Marzo se tuvo el pico más alto en merma y conforme fue avanzando el año, vemos que la merma ha disminuido considerablemente. En Abril, Agosto y Septiembre son las fechas en las que menos merma se generó.3. Delivery Plan
## Importar la base de datos
delivery<- read.csv('1_DELIVERY.csv')
summary(delivery)## ID_Fecha Fecha CLIENTE Pedidos
## Min. : 1.00 Length:228 Length:228 Min. : 0.0
## 1st Qu.: 3.75 Class :character Class :character 1st Qu.: 0.0
## Median : 6.50 Mode :character Mode :character Median : 0.0
## Mean : 6.50 Mean : 1703.1
## 3rd Qu.: 9.25 3rd Qu.: 233.8
## Max. :12.00 Max. :52779.0## ¿*Cuántas variables y registros hay?*
str(delivery)## 'data.frame': 228 obs. of 4 variables:
## $ ID_Fecha: int 1 1 1 1 1 1 1 1 1 1 ...
## $ Fecha : chr "31/01/22" "31/01/22" "31/01/22" "31/01/22" ...
## $ CLIENTE : chr "STB3" "STB 1" "YF RAMOS" "INOAC POLYTEC" ...
## $ Pedidos : int 481 0 227 0 400 328 393 0 8975 449 ...# *Contamos con 3 variables y 380 observaciones.*
### *Contar total de pedidos por cliente*
deliverySUM = colSums(delivery[4])
as.data.frame(deliverySUM)## deliverySUM
## Pedidos 388317# *Contamos con 52,0281 pedidos*
## Llamar base de datos.
deliveryCLIENTS<- read.csv('2 DeliveryCLIENTS.CSV')
summary(deliveryCLIENTS)## Fecha STB3 STB.1 YF.RAMOS
## Length:19 Min. : 0.0 Min. : 0.000 Min. : 0
## Class :character 1st Qu.: 13.5 1st Qu.: 0.000 1st Qu.: 54
## Mode :character Median : 200.0 Median : 0.000 Median : 100
## Mean : 297.1 Mean : 2.632 Mean : 211
## 3rd Qu.: 460.5 3rd Qu.: 0.000 3rd Qu.: 230
## Max. :1015.0 Max. :50.000 Max. :1243
## INOAC.POLYTEC MERIDIAN YANFENG.sm YFTO
## Min. : 0.000 Min. : 0 Min. : 0.00 Min. : 138.0
## 1st Qu.: 0.000 1st Qu.: 0 1st Qu.: 0.00 1st Qu.: 358.5
## Median : 0.000 Median : 0 Median : 41.00 Median : 628.0
## Mean : 2.684 Mean : 33 Mean : 95.05 Mean : 869.6
## 3rd Qu.: 0.000 3rd Qu.: 0 3rd Qu.:142.50 3rd Qu.: 871.5
## Max. :40.000 Max. :400 Max. :328.00 Max. :2556.0
## YF.QRO TRMX DENSO SEGROVE
## Min. : 0.000 Min. : 0 Min. : 0.0 Min. : 0.00
## 1st Qu.: 0.000 1st Qu.: 2822 1st Qu.: 150.5 1st Qu.: 0.00
## Median : 0.000 Median : 6240 Median : 372.0 Median : 0.00
## Mean : 2.737 Mean : 5796 Mean :1241.3 Mean : 38.74
## 3rd Qu.: 0.000 3rd Qu.: 8374 3rd Qu.:1083.0 3rd Qu.: 0.00
## Max. :36.000 Max. :11833 Max. :8834.0 Max. :736.00
## HANON ANTOLIN.TOLUCA ANTOLIN.ARTEAGA HELLA
## Min. : 0.00 Min. :0 Mode:logical Min. : 0
## 1st Qu.: 0.00 1st Qu.:0 NA's:19 1st Qu.: 4160
## Median : 0.00 Median :0 Median : 8580
## Mean : 21.58 Mean :0 Mean :15013
## 3rd Qu.: 0.00 3rd Qu.:0 3rd Qu.:21191
## Max. :360.00 Max. :0 Max. :52779
## UFI ISRI TRMX.1 ABC.QUERETARO VARROC
## Min. : 0.00 Min. : 0.0 Min. :0 Min. :0.0000 Min. : 0
## 1st Qu.: 0.00 1st Qu.: 0.0 1st Qu.:0 1st Qu.:0.0000 1st Qu.:2078
## Median : 0.00 Median : 0.0 Median :0 Median :0.0000 Median :3509
## Mean : 45.74 Mean : 157.9 Mean :0 Mean :0.4211 Mean :3555
## 3rd Qu.: 3.50 3rd Qu.: 0.0 3rd Qu.:0 3rd Qu.:0.0000 3rd Qu.:4974
## Max. :492.00 Max. :3000.0 Max. :0 Max. :8.0000 Max. :8810
## Total.pedidos.mes
## Length:19
## Class :character
## Mode :character
##
##
## deliveryCLIENTS = colSums(deliveryCLIENTS[2:21])
as.data.frame(deliveryCLIENTS)## deliveryCLIENTS
## STB3 5644
## STB.1 50
## YF.RAMOS 4009
## INOAC.POLYTEC 51
## MERIDIAN 627
## YANFENG.sm 1806
## YFTO 16522
## YF.QRO 52
## TRMX 110127
## DENSO 23584
## SEGROVE 736
## HANON 410
## ANTOLIN.TOLUCA 0
## ANTOLIN.ARTEAGA NA
## HELLA 285238
## UFI 869
## ISRI 3000
## TRMX.1 0
## ABC.QUERETARO 8
## VARROC 67548barplot(deliveryCLIENTS)
# Con este plot podemos ver que hay muchos clientes con muy pocos pedidos.
## Técnicas de Limpieza**
### Técnica 1: eliminar NA's
# *Se decidió realizar está técnica para asegurarnos de que no se tenga falta de datos y en caso de tenerlos evitar que estas eviten tener un analisis asertivo al no agregar valor a la base de datos.*
### ¿Cuántos NA's tengo en la base de datos?
sum(is.na(delivery))## [1] 0### Cuantos NA tengo por variable?
#**Sapply:** Para contar los NA's.
sapply(delivery, function(x) sum(is.na(x)))## ID_Fecha Fecha CLIENTE Pedidos
## 0 0 0 0### Remover columnas
delivery1<-delivery
delivery1<-delivery1[delivery1$CLIENTE!="ANTOLIN ARTEAGA", ]
delivery1<-delivery1[delivery1$CLIENTE!="ANTOLIN TOLUCA", ]
delivery1<-delivery1[delivery1$CLIENTE!="STB.1", ]
delivery1<-delivery1[delivery1$CLIENTE!="TRMX.1", ]
delivery1<-delivery1[delivery1$CLIENTE!="ABC.QUERETARO", ]
## *Tabla de Media, Moda y Mediana
table3<-describe(delivery)
knitr::kable(table3)| described_variables | n | na | mean | sd | se_mean | IQR | skewness | kurtosis | p00 | p01 | p05 | p10 | p20 | p25 | p30 | p40 | p50 | p60 | p70 | p75 | p80 | p90 | p95 | p99 | p100 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| ID_Fecha | 228 | 0 | 6.500 | 3.459648 | 0.2291208 | 5.50 | 0.00000 | -1.21711 | 1 | 1 | 1 | 2 | 3 | 3.75 | 4 | 5 | 6.5 | 8 | 9 | 9.25 | 10.0 | 11.0 | 12.0 | 12.00 | 12 |
| Pedidos | 228 | 0 | 1703.145 | 6164.036394 | 408.2232827 | 233.75 | 5.76176 | 38.35265 | 0 | 0 | 0 | 0 | 0 | 0.00 | 0 | 0 | 0.0 | 0 | 100 | 233.75 | 400.6 | 3876.4 | 8844.4 | 30339.47 | 52779 |
describe(delivery)## # A tibble: 2 × 26
## describe…¹ n na mean sd se_mean IQR skewn…² kurto…³ p00 p01
## <chr> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 ID_Fecha 228 0 6.5 3.46e0 0.229 5.5 0 -1.22 1 1
## 2 Pedidos 228 0 1703. 6.16e3 408. 234. 5.76 38.4 0 0
## # … with 15 more variables: p05 <dbl>, p10 <dbl>, p20 <dbl>, p25 <dbl>,
## # p30 <dbl>, p40 <dbl>, p50 <dbl>, p60 <dbl>, p70 <dbl>, p75 <dbl>,
## # p80 <dbl>, p90 <dbl>, p95 <dbl>, p99 <dbl>, p100 <dbl>, and abbreviated
## # variable names ¹described_variables, ²skewness, ³kurtosis## *Identificar variables*
# **Cuantitativa:** Discreta, Continua
# **Escala de medición:**Intervalo, Razón
# **Cualitativa**
# **Escala de medición:** Nominales, Ordinales
Variable<-c("Fecha","STB3","YFTO", "TRMX", "DENSO","HELLA","VARROC","Total.pedidos.mes")
Type<-c("Cuantitativa (discreta)", "Cualitativa", "Cualitativa", "Cualitativa","Cualitativa","Cualitativa","Cualitativa","Cuantitativa (discreta)")
Measurement<-c("Razón","Nominal","Nominal","Nominal","Nominal","Nominal","Nominal","Razón")
table2<-data_frame(Variable,Type,Measurement)## Warning: `data_frame()` was deprecated in tibble 1.1.0.
## Please use `tibble()` instead.knitr::kable(table2)| Variable | Type | Measurement |
|---|---|---|
| Fecha | Cuantitativa (discreta) | Razón |
| STB3 | Cualitativa | Nominal |
| YFTO | Cualitativa | Nominal |
| TRMX | Cualitativa | Nominal |
| DENSO | Cualitativa | Nominal |
| HELLA | Cualitativa | Nominal |
| VARROC | Cualitativa | Nominal |
| Total.pedidos.mes | Cuantitativa (discreta) | Razón |
## <span style = "color:darkorange">**Gráfica Cualitativa**
delivery2<-delivery1
delivery2<- aggregate(delivery2$Pedidos, by=list(category=delivery2$CLIENTE), FUN=sum)
pie(delivery2$x, labels = delivery2$category)
# Con esta gráfica podemos darnos cuenta de los clientes que tienen mayores pedidos y en este caso es HELLA en primer lugar y TRMX en segundo lugar.
## <span style = "color:darkorange">**Gráfica Cuantitativa**
delivery2<-delivery2 %>% dplyr::rename(pedidos="x")
delivery2<-delivery2 %>% dplyr::rename(Clientes="category")
delivery2$Clientes<-as.factor(delivery2$Clientes)
ggplot(delivery2, aes(x=Clientes, y=pedidos, fill=pedidos))+
geom_bar(stat="identity")+
theme_minimal()+
labs(title="Pedidos por cliente")
# Esta gráfica sirve para tener de manera más visual el impacto que tiene cada uno de los clientes en la empresa FORM. Podemos ver que HELLA es el cliente más significativo con casi el triple de pedidos que el siguiente cliente con mayores pedidos, TRMX. De lado derecho se tiene una leyenda que muestra la tonalidad de los 'plots' para ver qué tantos pedidos tiene. Por ello, HELLAS tiene un color azul claro, representando más de 250,000 pedidos.
## <span style = "color:darkorange">**Comportamiento de clientes por fecha**
summary(delivery1)## ID_Fecha Fecha CLIENTE Pedidos
## Min. : 1.00 Length:204 Length:204 Min. : 0.0
## 1st Qu.: 3.75 Class :character Class :character 1st Qu.: 0.0
## Median : 6.50 Mode :character Mode :character Median : 0.0
## Mean : 6.50 Mean : 1903.5
## 3rd Qu.: 9.25 3rd Qu.: 311.2
## Max. :12.00 Max. :52779.0ggplot(delivery1,aes(x=ID_Fecha, y=Pedidos, group=CLIENTE,colour=CLIENTE))+
geom_line()+
ggtitle("Pedidos por cliente")
# Con esta gráfica utilizamos el ID Fecha para conocer los pedidos que se tiene por cliente cada mes y vemos un significativo incremento de pedidos en los meses de Septiembre y Octubre. Contamos con una leyenda que indica cada línea con un color para nombrar la información de cada uno de los clientes.
## <span style = "color:darkorange">**Gráfica Boxplot**
boxplot(delivery1$Pedidos, main= "Pedidos")
delivery3<-delivery1
delivery3$CLIENTE <-as.factor(delivery3$CLIENTE)
ggplot(delivery3, aes(x=CLIENTE, y=Pedidos))+
geom_boxplot(color="blue", fill="purple")
# En esta gráfica podemos visualizar cuántos pedidos tiene programados cada cliente y los clientes que sobre salen son HELLA y TRMX. Adicional, se muestra la moda de cada uno, así como la mínima de pedidos y la máxima.4. Recursos Humanos
## Limpieza, Transformación y Organización de Bases de Datos
# *Nota: Como parte de la limpieza de datos de ambos documentos, se realizaron los promedios de los valores faltantes de forma manual en Excel.
# __A partir de esta parte del documento, el análisis estará dividido en dos partes. En la primera se analizará la base de datos con la información de los colaboradores actuales de la empresa, mientras que en la segunda se analizarán los datos de aquellos empleados que ya fueron bajas por motivos de despido, renuncia voluntaria, entre otros.__
### BASE DE DATOS: COLABORADORES DE RECURSOS HUMANOS
## 1. Número de registros y variables
### Importar base de datos
df1 <-read.csv('hr csv 1.csv')
summary(df1)## No..De.Empleado APELLIDOS NOMBRE FECHA.DE.NACIMIENTO
## Min. : 1.00 Length:113 Length:113 Length:113
## 1st Qu.: 31.00 Class :character Class :character Class :character
## Median : 63.00 Mode :character Mode :character Mode :character
## Mean : 75.86
## 3rd Qu.:127.00
## Max. :169.00
## EDAD GENERO RFC FECHA.DE.ALTA
## Min. : 0.00 Length:113 Length:113 Length:113
## 1st Qu.:25.00 Class :character Class :character Class :character
## Median :33.00 Mode :character Mode :character Mode :character
## Mean :35.74
## 3rd Qu.:45.00
## Max. :73.00
## PRIMER.MES CUARTO.MES BAJA PUESTO
## Length:113 Length:113 Min. :0.0000 Length:113
## Class :character Class :character 1st Qu.:0.0000 Class :character
## Mode :character Mode :character Median :0.0000 Mode :character
## Mean :0.3451
## 3rd Qu.:0.0000
## Max. :3.0000
## DEPARTAMENTO SALARIO.DIARIO.IMSS FACTOR.CRED.INFONAVIT
## Length:113 Min. :144.4 Min. : 0
## Class :character 1st Qu.:176.7 1st Qu.: 0
## Mode :character Median :180.7 Median : 0
## Mean :181.2 Mean : 2244
## 3rd Qu.:180.7 3rd Qu.: 0
## Max. :441.4 Max. :182096
## N..CREDITO.INFONAVIT LUGAR.DE.NACIMIENTO CURP CALLE
## Min. :0.000e+00 Length:113 Length:113 Length:113
## 1st Qu.:0.000e+00 Class :character Class :character Class :character
## Median :0.000e+00 Mode :character Mode :character Mode :character
## Mean :6.770e+07
## 3rd Qu.:0.000e+00
## Max. :1.922e+09
## NUMERO.INTERNO COLONIA MUNICIPIO ESTADO
## Length:113 Length:113 Length:113 Length:113
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## CODIGO.POSTAL ESTADO.CIVIL TARJETA.CUENTA X
## Min. :25016 Length:113 Length:113 Mode:logical
## 1st Qu.:66640 Class :character Class :character NA's:113
## Median :66646 Mode :character Mode :character
## Mean :63365
## 3rd Qu.:66649
## Max. :67493
## X.1
## Mode:logical
## NA's:113
##
##
##
## ### Tabla de Estadísticas
table_hr<-describe(df1)
knitr::kable(table_hr)| described_variables | n | na | mean | sd | se_mean | IQR | skewness | kurtosis | p00 | p01 | p05 | p10 | p20 | p25 | p30 | p40 | p50 | p60 | p70 | p75 | p80 | p90 | p95 | p99 | p100 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| No..De.Empleado | 113 | 0 | 7.585841e+01 | 5.387649e+01 | 5.068274e+00 | 96.00 | 0.3996039 | -1.243295 | 1.00 | 2.12 | 6.60 | 12.20 | 24.40 | 31.00 | 36.60 | 47.80 | 63.00 | 79.40 | 110.20 | 127.00 | 143.20 | 157.80 | 163.400 | 1.678800e+02 | 1.69000e+02 |
| EDAD | 113 | 0 | 3.574336e+01 | 1.328585e+01 | 1.249828e+00 | 20.00 | 0.3976708 | -0.310438 | 0.00 | 18.12 | 19.00 | 20.00 | 23.00 | 25.00 | 27.00 | 29.80 | 33.00 | 38.00 | 42.40 | 45.00 | 49.00 | 55.00 | 57.400 | 6.616000e+01 | 7.30000e+01 |
| BAJA | 113 | 0 | 3.451327e-01 | 9.614898e-01 | 9.044940e-02 | 0.00 | 2.4455291 | 4.052025 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 3.00 | 3.000 | 3.000000e+00 | 3.00000e+00 |
| SALARIO.DIARIO.IMSS | 113 | 0 | 1.811764e+02 | 3.473107e+01 | 3.267225e+00 | 3.96 | 4.9257214 | 31.555773 | 144.45 | 144.45 | 151.61 | 151.61 | 176.72 | 176.72 | 176.72 | 180.68 | 180.68 | 180.68 | 180.68 | 180.68 | 180.68 | 180.68 | 221.474 | 3.301572e+02 | 4.41370e+02 |
| FACTOR.CRED.INFONAVIT | 113 | 0 | 2.243885e+03 | 1.791041e+04 | 1.684870e+03 | 0.00 | 9.4515613 | 93.474111 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.000 | 5.101812e+04 | 1.82096e+05 |
| N..CREDITO.INFONAVIT | 113 | 0 | 6.769777e+07 | 3.549686e+08 | 3.339264e+07 | 0.00 | 5.0965722 | 24.407079 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.000 | 1.912205e+09 | 1.92159e+09 |
| CODIGO.POSTAL | 113 | 0 | 6.336474e+04 | 1.120189e+04 | 1.053785e+03 | 9.00 | -3.1379797 | 8.012458 | 25016.00 | 25091.24 | 25901.20 | 64845.60 | 66633.40 | 66640.00 | 66643.00 | 66646.00 | 66646.00 | 66646.00 | 66648.00 | 66649.00 | 66671.80 | 67117.00 | 67256.200 | 6.726700e+04 | 6.74930e+04 |
describe(df1)## # A tibble: 7 × 26
## described_v…¹ n na mean sd se_mean IQR skewn…² kurto…³ p00
## <chr> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 No..De.Emple… 113 0 7.59e+1 5.39e+1 5.07e+0 96 0.400 -1.24 1
## 2 EDAD 113 0 3.57e+1 1.33e+1 1.25e+0 20 0.398 -0.310 0
## 3 BAJA 113 0 3.45e-1 9.61e-1 9.04e-2 0 2.45 4.05 0
## 4 SALARIO.DIAR… 113 0 1.81e+2 3.47e+1 3.27e+0 3.96 4.93 31.6 144.
## 5 FACTOR.CRED.… 113 0 2.24e+3 1.79e+4 1.68e+3 0 9.45 93.5 0
## 6 N..CREDITO.I… 113 0 6.77e+7 3.55e+8 3.34e+7 0 5.10 24.4 0
## 7 CODIGO.POSTAL 113 0 6.34e+4 1.12e+4 1.05e+3 9 -3.14 8.01 25016
## # … with 16 more variables: p01 <dbl>, p05 <dbl>, p10 <dbl>, p20 <dbl>,
## # p25 <dbl>, p30 <dbl>, p40 <dbl>, p50 <dbl>, p60 <dbl>, p70 <dbl>,
## # p75 <dbl>, p80 <dbl>, p90 <dbl>, p95 <dbl>, p99 <dbl>, p100 <dbl>, and
## # abbreviated variable names ¹described_variables, ²skewness, ³kurtosis## 2. Clasificación de variables
variable<-c("No..De.Empleado","APELLIDOS","NOMBRE","FECHA.DE.NACIMIENTO","EDAD","GENERO","RFC","FECHA.DE.ALTA","PRIMER.MES","CUARTO.MES","BAJA","PUESTO","DEPARTAMENTO","SALARIO.DIARIO.IMSS","FACTOR.CRED.INFONAVIT","N..CREDITO.INFONAVIT","LUGAR.DE.NACIMIENTO","CURP","CALLE","NUMERO.INTERNO","COLONIA","MUNICIPIO","ESTADO","CODIGO.POSTAL","ESTADO.CIVIL","TARJETA.CUENTA")
Type<-c(
"quantitative (continous)",
"qualitative (discrete)",
"qualitative (discrete)",
"qualitative (discrete)",
"quantitative (continous)",
"qualitative (discrete)",
"qualitative (discrete)",
"quantitative (continous)",
"quantitative (continous)",
"quantitative (continous)",
"quantitative (continous)",
"qualitative (discrete)",
"qualitative (discrete)",
"quantitative (continous)",
"quantitative (continous)",
"qualitative (discrete)",
"qualitative (discrete)",
"qualitative (discrete)",
"qualitative (discrete)",
"quantitative (continous)",
"qualitative (discrete)",
"qualitative (discrete)",
"qualitative (discrete)",
"quanitative (continous)",
"qualitative (discrete)",
"qualitative (discrete)"
)
table<-data.frame(variable,Type)
knitr::kable(table)| variable | Type |
|---|---|
| No..De.Empleado | quantitative (continous) |
| APELLIDOS | qualitative (discrete) |
| NOMBRE | qualitative (discrete) |
| FECHA.DE.NACIMIENTO | qualitative (discrete) |
| EDAD | quantitative (continous) |
| GENERO | qualitative (discrete) |
| RFC | qualitative (discrete) |
| FECHA.DE.ALTA | quantitative (continous) |
| PRIMER.MES | quantitative (continous) |
| CUARTO.MES | quantitative (continous) |
| BAJA | quantitative (continous) |
| PUESTO | qualitative (discrete) |
| DEPARTAMENTO | qualitative (discrete) |
| SALARIO.DIARIO.IMSS | quantitative (continous) |
| FACTOR.CRED.INFONAVIT | quantitative (continous) |
| N..CREDITO.INFONAVIT | qualitative (discrete) |
| LUGAR.DE.NACIMIENTO | qualitative (discrete) |
| CURP | qualitative (discrete) |
| CALLE | qualitative (discrete) |
| NUMERO.INTERNO | quantitative (continous) |
| COLONIA | qualitative (discrete) |
| MUNICIPIO | qualitative (discrete) |
| ESTADO | qualitative (discrete) |
| CODIGO.POSTAL | quanitative (continous) |
| ESTADO.CIVIL | qualitative (discrete) |
| TARJETA.CUENTA | qualitative (discrete) |
## 3. Escalas de medición
variables <- c(
"No..De.Empleado",
"APELLIDOS",
"NOMBRE",
"FECHA.DE.NACIMIENTO",
"EDAD",
"GENERO",
"RFC",
"FECHA.DE.ALTA",
"PRIMER.MES",
"CUARTO.MES",
"BAJA",
"PUESTO",
"DEPARTAMENTO",
"SALARIO.DIARIO.IMSS",
"FACTOR.CRED.INFONAVIT",
"N..CREDITO.INFONAVIT",
"LUGAR.DE.NACIMIENTO",
"CURP",
"CALLE",
"NUMERO.INTERNO",
"COLONIA",
"MUNICIPIO",
"ESTADO",
"CODIGO.POSTAL",
"ESTADO.CIVIL",
"TARJETA.CUENTA"
)
tipos <- c(
"Cuantitativo",
"Cualitativo",
"Cualitativo",
"Cualitativo",
"Cuantitativo",
"Cualitativo",
"Cualitativo",
"Cuantitativo",
"Cuantitativo",
"Cuantitativo",
"Cuantitativo",
"Cualitativo",
"Cualitativo",
"Cuantitativo",
"Cuantitativo",
"Cualitativo",
"Cualitativo",
"Cualitativo",
"Cualitativo",
"Cuantitativo",
"Cualitativo",
"Cualitativo",
"Cualitativo",
"Cuantitativo",
"Cualitativo",
"Cualitativo"
)
escalas <- c(
"Intervalo",
"Nominal",
"Nominal",
"Intervalo",
"Intervalo",
"Nominal",
"Nominal",
"Razón",
"Razón",
"Razón",
"Razón",
"Ordinal",
"Nominal",
"Razón",
"Razón",
"Nominal",
"Nominal",
"Nominal",
"Nominal",
"Razón",
"Nominal",
"Nominal",
"Nominal",
"Ordinal",
"Nominal",
"Nominal"
)
table1 <- data.frame (variables, tipos, escalas)
knitr::kable(table1)| variables | tipos | escalas |
|---|---|---|
| No..De.Empleado | Cuantitativo | Intervalo |
| APELLIDOS | Cualitativo | Nominal |
| NOMBRE | Cualitativo | Nominal |
| FECHA.DE.NACIMIENTO | Cualitativo | Intervalo |
| EDAD | Cuantitativo | Intervalo |
| GENERO | Cualitativo | Nominal |
| RFC | Cualitativo | Nominal |
| FECHA.DE.ALTA | Cuantitativo | Razón |
| PRIMER.MES | Cuantitativo | Razón |
| CUARTO.MES | Cuantitativo | Razón |
| BAJA | Cuantitativo | Razón |
| PUESTO | Cualitativo | Ordinal |
| DEPARTAMENTO | Cualitativo | Nominal |
| SALARIO.DIARIO.IMSS | Cuantitativo | Razón |
| FACTOR.CRED.INFONAVIT | Cuantitativo | Razón |
| N..CREDITO.INFONAVIT | Cualitativo | Nominal |
| LUGAR.DE.NACIMIENTO | Cualitativo | Nominal |
| CURP | Cualitativo | Nominal |
| CALLE | Cualitativo | Nominal |
| NUMERO.INTERNO | Cuantitativo | Razón |
| COLONIA | Cualitativo | Nominal |
| MUNICIPIO | Cualitativo | Nominal |
| ESTADO | Cualitativo | Nominal |
| CODIGO.POSTAL | Cuantitativo | Ordinal |
| ESTADO.CIVIL | Cualitativo | Nominal |
| TARJETA.CUENTA | Cualitativo | Nominal |
#Las escalas de medición permiten organizar datos en orden jerárquico. Éstas pueden ser clasificadas de acuerdo a una degradación de las características de distintas variables. Entre las variables usadas están nominal (aquellas que son mutuamente excluyentes y no asignan un orden o jerarquía), ordinal (establecen un orden, puede ser creciente o decreciente), intervalo (establecen un orden determinado por un intervalo numérico) y razón (existe un intervalo numérico; el cero representa la ausencia de valor; es un cero absoluto).
## 4. Limpieza de datos
# Remover valores irrelevantes (eliminar renglones duplicados) y conversión de datos son técnicas elegidas para realizar la limpieza de datos debido a las necesidades de la base de datos y el beneficio que generó para el análisis descriptivo, obteniendo información más clara y concisa.
### Eliminar renglones duplicados
df2<-df1
df2<-distinct(df2)
### ¿Cuántos NA's tengo en la base de datos? Primera limpieza
sum(is.na(df2))## [1] 226### Eliminar columnas
df3<-df2
df3 <- subset(df3, select =-c (X))
df3 <- subset(df3, select =-c (X.1))
df3 <- subset(df3, select =-c (NOMBRE))
df3 <- subset(df3, select =-c (APELLIDOS))
df3 <- subset(df3, select =-c (RFC))
df3 <- subset(df3, select =-c (CUARTO.MES))
df3 <- subset(df3, select =-c (FACTOR.CRED.INFONAVIT))
df3 <- subset(df3, select =-c (CURP))
df3 <- subset(df3, select =-c (CALLE))
df3 <- subset(df3, select =-c (NUMERO.INTERNO))
df3 <- subset(df3, select =-c (TARJETA.CUENTA))
### ¿Cuántos NA's tengo en la base de datos? Segunda limpieza
sum(is.na(df3))## [1] 0## 5. Análisis Exploratorio de las Bases de Datos
describe(df3)## # A tibble: 6 × 26
## described_v…¹ n na mean sd se_mean IQR skewn…² kurto…³ p00
## <chr> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 No..De.Emple… 113 0 7.59e+1 5.39e+1 5.07e+0 96 0.400 -1.24 1
## 2 EDAD 113 0 3.57e+1 1.33e+1 1.25e+0 20 0.398 -0.310 0
## 3 BAJA 113 0 3.45e-1 9.61e-1 9.04e-2 0 2.45 4.05 0
## 4 SALARIO.DIAR… 113 0 1.81e+2 3.47e+1 3.27e+0 3.96 4.93 31.6 144.
## 5 N..CREDITO.I… 113 0 6.77e+7 3.55e+8 3.34e+7 0 5.10 24.4 0
## 6 CODIGO.POSTAL 113 0 6.34e+4 1.12e+4 1.05e+3 9 -3.14 8.01 25016
## # … with 16 more variables: p01 <dbl>, p05 <dbl>, p10 <dbl>, p20 <dbl>,
## # p25 <dbl>, p30 <dbl>, p40 <dbl>, p50 <dbl>, p60 <dbl>, p70 <dbl>,
## # p75 <dbl>, p80 <dbl>, p90 <dbl>, p95 <dbl>, p99 <dbl>, p100 <dbl>, and
## # abbreviated variable names ¹described_variables, ²skewness, ³kurtosiscount(df3, GENERO, sort = TRUE)## GENERO n
## 1 FEMENINO 61
## 2 MASCULINO 52count(df3, PUESTO, sort = TRUE)## PUESTO n
## 1 AYUDANTE GENERAL 67
## 2 COSTURERO/A 10
## 3 CHOFER 5
## 4 SOLDADOR 5
## 5 RESIDENTE 4
## 6 SUPERVISOR/A 4
## 7 EXTERNO 2
## 8 INSPECTOR/A DE CALIDAD 2
## 9 OPERADOR 2
## 10 AYUDANTE DE MANTENIMIENTO 1
## 11 ENFERMERO/A 1
## 12 GESTOR 1
## 13 GUARDIA DE SEGURIDAD 1
## 14 LIDER 1
## 15 LIMPIEZA 1
## 16 MANTENIMIENTO 1
## 17 MONTACARGUISTA 1
## 18 MOZO 1
## 19 PINTOR 1
## 20 RECIBO 1
## 21 SERVICIO AL CLIENTE 1count(df3, DEPARTAMENTO, sort = TRUE)## DEPARTAMENTO n
## 1 VARIOS 40
## 2 PRODUCCION RETORN 10
## 3 COSTURA 9
## 4 CEDIS 8
## 5 PRODUCCION CARTON MDL 7
## 6 STABILUS 7
## 7 PRODUCCION CARTON MC 5
## 8 EMBARQUES 4
## 9 PAILERIA 4
## 10 TROQUEL 4
## 11 CELDAS 3
## 12 EHS 3
## 13 CALIDAD 2
## 14 EXTERNO 2
## 15 AY FLEXO 1
## 16 CORTADORAS 1
## 17 LIMPIEZA 1
## 18 MATERIALES 1
## 19 ROTATIVA 1count(df3, SALARIO.DIARIO.IMSS, sort = TRUE)## SALARIO.DIARIO.IMSS n
## 1 180.68 59
## 2 176.72 23
## 3 151.61 11
## 4 151.67 5
## 5 144.45 3
## 6 152.86 1
## 7 175.79 1
## 8 181.68 1
## 9 184.68 1
## 10 185.68 1
## 11 208.65 1
## 12 240.71 1
## 13 240.75 1
## 14 260.01 1
## 15 279.61 1
## 16 337.05 1
## 17 441.37 1count(df3, LUGAR.DE.NACIMIENTO, sort = TRUE)## LUGAR.DE.NACIMIENTO n
## 1 NUEVO LEON 79
## 2 VERACRUZ 12
## 3 COAHUILA 5
## 4 SAN LUIS POTOSI 3
## 5 TAMAULIPAS 3
## 6 CHIAPAS 2
## 7 CIUDAD DE MEXICO 2
## 8 DURANGO 2
## 9 GUANAJUATO 1
## 10 HONDURAS 1
## 11 QUINTANA ROO 1
## 12 TABASCO 1
## 13 ZACATECAS 1tibble(df3)## # A tibble: 113 × 17
## No..De.Em…¹ FECHA…² EDAD GENERO FECHA…³ PRIME…⁴ BAJA PUESTO DEPAR…⁵ SALAR…⁶
## <int> <chr> <int> <chr> <chr> <chr> <int> <chr> <chr> <dbl>
## 1 1 10/09/… 67 MASCU… 01/07/… 31/07/… 0 SUPER… PRODUC… 177.
## 2 2 14/05/… 43 FEMEN… 01/07/… 31/07/… 0 SUPER… PRODUC… 177.
## 3 3 21/11/… 73 MASCU… 22/11/… 22/12/… 0 EXTER… EXTERNO 177.
## 4 4 01/05/… 32 FEMEN… 30/01/… 01/03/… 0 SUPER… PRODUC… 337.
## 5 5 06/09/… 57 FEMEN… 05/05/… 04/06/… 0 SUPER… COSTURA 441.
## 6 6 22/06/… 38 MASCU… 03/07/… 02/08/… 0 SERVI… CEDIS 177.
## 7 7 01/07/… 55 FEMEN… 06/08/… 05/09/… 0 COSTU… COSTURA 260.
## 8 8 10/12/… 26 MASCU… 23/08/… 22/09/… 0 AYUDA… PRODUC… 241.
## 9 9 03/11/… 27 MASCU… 11/01/… 10/02/… 0 AYUDA… CEDIS 177.
## 10 10 18/08/… 37 FEMEN… 20/02/… 22/03/… 0 COSTU… COSTURA 153.
## # … with 103 more rows, 7 more variables: N..CREDITO.INFONAVIT <int>,
## # LUGAR.DE.NACIMIENTO <chr>, COLONIA <chr>, MUNICIPIO <chr>, ESTADO <chr>,
## # CODIGO.POSTAL <int>, ESTADO.CIVIL <chr>, and abbreviated variable names
## # ¹No..De.Empleado, ²FECHA.DE.NACIMIENTO, ³FECHA.DE.ALTA, ⁴PRIMER.MES,
## # ⁵DEPARTAMENTO, ⁶SALARIO.DIARIO.IMSS# En esta primera parte del análisis estadístico descriptivo, vemos que el conteo total de empleados actuales es de 113 y hay un mayor número de mujeres (54%) contra empleados que son hombres (46%).
# En cuanto a los puestos, vemos que existe una gran cantidad de ayudantes generales, pues es el puesto que ocupa mayor capital humano, contra aquellos que ocupan menos que van desde servicio al cliente hasta operadores.
# Entre los departamentos con mayor cantidad de empleados, vemos que está varios y producción retorn. El departamento de "Varios" fue creado para catalogar a aquellos empleados que en la base de datos no tenían definida un área en concreto.
# Vemos que la mayoría de los empleados ganan $180.68 pesos de salario diario por el IMSS y de todos los empleados, se calcula que tienen un promedio de salario diario de $236.62 pesos.
# En cuanto al lugar de origen, vemos que la mayoría de los empleados provienen del Estado de Nuevo León (70%) y Veracruz (11%), viendo que el 19% restante de los empleados son provenientes de Zona Centro o estados colidantes de Nuevo León.
## 5.1 Tabla de frecuencia (1)
# Las tablas de frecuencia son una ordenación en forma de tabla de los datos estadísticos, asignando a cada dato su frecuencia correspondiente, es decir, el número de veces que aparece un determinado valor en un estudio estadístico.
### Tabla de frecuencia: Salario diario de acuerdo al género
proportion <- prop.table(table(df3$GENERO,df3$SALARIO.DIARIO.IMSS))
proportion %>%
kbl() %>%
kable_styling()| 144.45 | 151.61 | 151.67 | 152.86 | 175.79 | 176.72 | 180.68 | 181.68 | 184.68 | 185.68 | 208.65 | 240.71 | 240.75 | 260.01 | 279.61 | 337.05 | 441.37 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| FEMENINO | 0.0265487 | 0.0619469 | 0.0088496 | 0.0088496 | 0.0000000 | 0.0619469 | 0.3008850 | 0.0088496 | 0.0088496 | 0.0088496 | 0.0088496 | 0.0088496 | 0.0000000 | 0.0088496 | 0.0000000 | 0.0088496 | 0.0088496 |
| MASCULINO | 0.0000000 | 0.0353982 | 0.0353982 | 0.0000000 | 0.0088496 | 0.1415929 | 0.2212389 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0088496 | 0.0000000 | 0.0088496 | 0.0000000 | 0.0000000 |
# Esta tabla de frecuencia representa el valor decimal del salario diario de acuerdo al género, es decir, la cantidad de empleados en valor decimal que reciben cierto salario diario de acuerdo a su género.BASE DE DATOS: BAJAS DE RECURSOS HUMANOS
# __A partir de la siguiente base de datos, se analizará específicamente la información de aquellas personas que se dieron de baja en años anteriores con el objetivo de entender las principales razones de la alta rotación en la empresa.__
### Importar base de datos
df4 <-read.csv('hr_baja csv 2.csv')
summary(df4)## NO.DE.BAJAS APELLIDOS NOMBRE FECHA.DE.NACIMIENTO
## Min. : 1.00 Length:238 Length:238 Length:238
## 1st Qu.: 60.25 Class :character Class :character Class :character
## Median :119.50 Mode :character Mode :character Mode :character
## Mean :119.50
## 3rd Qu.:178.75
## Max. :238.00
##
## EDAD GENERO FECHA.DE.ALTA MOTIVO.DE.BAJA
## Min. : 0.00 Length:238 Length:238 Length:238
## 1st Qu.:22.25 Class :character Class :character Class :character
## Median :30.00 Mode :character Mode :character Mode :character
## Mean :30.50
## 3rd Qu.:36.00
## Max. :52.00
## NA's :160
## DIAS.TRABAJADOS BAJA PUESTO DEPARTAMENTO
## Min. : 0.00 Length:238 Length:238 Length:238
## 1st Qu.: 9.00 Class :character Class :character Class :character
## Median : 22.50 Mode :character Mode :character Mode :character
## Mean : 87.30
## 3rd Qu.: 60.75
## Max. :1966.00
##
## NO.SEGURO.SOCIAL SALARIO.DIARIO.IMSS FACTOR.CRED.INFONAVIT
## Length:238 Min. :144.4 Min. : 0
## Class :character 1st Qu.:180.7 1st Qu.: 0
## Mode :character Median :180.7 Median : 0
## Mean :178.0 Mean : 3112
## 3rd Qu.:180.7 3rd Qu.: 0
## Max. :500.0 Max. :305820
##
## NO.CREDITO.INFONAVIT LUGAR.DE.NACIMIENTO CURP CALLE
## Min. :0.000e+00 Length:238 Length:238 Length:238
## 1st Qu.:0.000e+00 Class :character Class :character Class :character
## Median :0.000e+00 Mode :character Mode :character Mode :character
## Mean :1.582e+08
## 3rd Qu.:0.000e+00
## Max. :6.919e+09
##
## NUMERO.INTERNO COLONIA CODIGO.POSTAL MUNICIPIO
## Length:238 Length:238 Min. :25019 Length:238
## Class :character Class :character 1st Qu.:33604 Class :character
## Mode :character Mode :character Median :33604 Mode :character
## Mean :44462
## 3rd Qu.:66056
## Max. :67450
##
## ESTADO ESTADO.CIVIL TARJETA.CUENTA
## Length:238 Length:238 Length:238
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
## ### ¿Cuántos NA's tengo en la base de datos?
sum(is.na(df4))## [1] 160### Borrar todos los registros NA's de una tabla
df5<-df4
df5<-na.omit(df5)
summary(df5)## NO.DE.BAJAS APELLIDOS NOMBRE FECHA.DE.NACIMIENTO
## Min. : 5.00 Length:78 Length:78 Length:78
## 1st Qu.: 49.75 Class :character Class :character Class :character
## Median :167.50 Mode :character Mode :character Mode :character
## Mean :139.60
## 3rd Qu.:212.75
## Max. :238.00
## EDAD GENERO FECHA.DE.ALTA MOTIVO.DE.BAJA
## Min. : 0.00 Length:78 Length:78 Length:78
## 1st Qu.:22.25 Class :character Class :character Class :character
## Median :30.00 Mode :character Mode :character Mode :character
## Mean :30.50
## 3rd Qu.:36.00
## Max. :52.00
## DIAS.TRABAJADOS BAJA PUESTO DEPARTAMENTO
## Min. : 0.00 Length:78 Length:78 Length:78
## 1st Qu.: 9.00 Class :character Class :character Class :character
## Median : 19.00 Mode :character Mode :character Mode :character
## Mean : 45.10
## 3rd Qu.: 39.75
## Max. :730.00
## NO.SEGURO.SOCIAL SALARIO.DIARIO.IMSS FACTOR.CRED.INFONAVIT
## Length:78 Min. :151.6 Min. : 0.0
## Class :character 1st Qu.:180.7 1st Qu.: 0.0
## Mode :character Median :180.7 Median : 0.0
## Mean :174.3 Mean : 130.4
## 3rd Qu.:180.7 3rd Qu.: 0.0
## Max. :183.7 Max. :2795.0
## NO.CREDITO.INFONAVIT LUGAR.DE.NACIMIENTO CURP CALLE
## Min. :0.000e+00 Length:78 Length:78 Length:78
## 1st Qu.:0.000e+00 Class :character Class :character Class :character
## Median :0.000e+00 Mode :character Mode :character Mode :character
## Mean :1.871e+08
## 3rd Qu.:0.000e+00
## Max. :6.919e+09
## NUMERO.INTERNO COLONIA CODIGO.POSTAL MUNICIPIO
## Length:78 Length:78 Min. :25019 Length:78
## Class :character Class :character 1st Qu.:33604 Class :character
## Mode :character Mode :character Median :33604 Mode :character
## Mean :46508
## 3rd Qu.:66645
## Max. :67450
## ESTADO ESTADO.CIVIL TARJETA.CUENTA
## Length:78 Length:78 Length:78
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
## ### Eliminar columnas
df3<-df2
df3 <- subset(df3, select =-c (APELLIDOS))
df3 <- subset(df3, select =-c (NOMBRE))
df3 <- subset(df3, select =-c (FACTOR.CRED.INFONAVIT))
df3 <- subset(df3, select =-c (CURP))
df3 <- subset(df3, select =-c (CALLE))
df3 <- subset(df3, select =-c (NUMERO.INTERNO))
df3 <- subset(df3, select =-c (TARJETA.CUENTA))
### ¿Cuántos NA's tengo en la base de datos?
sum(is.na(df5))## [1] 0# Con los datos presentados anteriormente, vemos que la edad promedio de los colaboradores es de 35 años, además de que ganan un promedio de $180 pesos.
## 5.2.1 Tabla cruzada (1)
table(df5$PUESTO, df5$MOTIVO.DE.BAJA)##
## BAJA POR FALTAS RENUNCIA VOLUNTARIA
## AYUDANTE DE EMBARQUES 0 0
## AYUDANTE GENERAL 50 18
## COSTURERO/A 1 0
## GUARDIA DE SEGURIDAD 0 1
## INSPECTOR DE CALIDAD 1 0
## JEFE DE SEGURIDAD E HIGIENE 0 1
## MONTACARGUISTA 1 1
## RESIDENTE 1 0
## SOLDADOR 1 0
##
## TERMINO DE CONTRATO
## AYUDANTE DE EMBARQUES 1
## AYUDANTE GENERAL 1
## COSTURERO/A 0
## GUARDIA DE SEGURIDAD 0
## INSPECTOR DE CALIDAD 0
## JEFE DE SEGURIDAD E HIGIENE 0
## MONTACARGUISTA 0
## RESIDENTE 0
## SOLDADOR 0# En la tabla vemos que se destacan tres razones principales de bajas de empleados, las cuales son: bajas por faltas, renuncia voluntaria o término de contrato. En su mayoría, hubo una baja por faltas del puesto de ayudante general y renuncia voluntaria para el mismo puesto. Al igual que en la base de datos anterior, vemos que el puesto con mayor rotación a nivel histórico es de ayudante general. Esto sugiere que existe un alto número de contrataciones para el puesto debido a una mala gestión administrativa o bajo rendimiento de los empleados.
## 5.2.2 Tabla cruzada (2)
table(df5$GENERO, df5$MOTIVO.DE.BAJA)##
## BAJA POR FALTAS RENUNCIA VOLUNTARIA TERMINO DE CONTRATO
## FEMENINO 40 12 1
## MASCULINO 15 9 1# La tabla cruzada anterior nos muestra la relación entre los motivos de baja contra el género, es decir, las principales razones de baja de acuerdo al género de cada empleado. Vemos que hubo un total de 53 bajas del género femenino, destacando las bajas por faltas (representa un 75% de las bajas femeninas). Para el género masculino, hubo un total de 25 faltas, destacando principalmente las bajas por faltas (representa un 60% de las bajas masculinas).
## 5.3 Gráficos de datos cuantitativos y cualitativos (2)
## 5.3.1 Pie chart
### Pie chart: Representación de bajas acorde al estado de residencia
pie(table(df5$ESTADO), col=c("orange","coral1"),
main="Representación de bajas acorde al estado de residencia")
# La gráfica anterior nos muestra que hay un mayor número de ex-empleados que viven en el Estado de Nuevo León. Sin embargo, hay un porcentaje que reside en Coahuila. Esto se puede interpretar con que hay un alto nivel de rotación existente debido a la lejanía de residencia de los empleados.
### Pie chart: Representación de bajas acorde al género
pie(table(df5$GENERO), col=c("orange","coral1"),
main="Representación de bajas acorde al género")
# La anterior gráfica de pastel reafirma lo que mencionamos anteriormente. De acuerdo a las bajas realizadas, la mayoría de los ex-empleados son del género femenino.
## 5.4 Gráficos de dispersión (2)
### Gráfica de dispersión: Número de bajas VS. Días trabajados
plot(x= df5$NO.DE.BAJAS,
y=df5$DIAS.TRABAJADOS)
# La gráfica de dispersión nos muestra la intensidad de relación entre la variable de días trabajados y número de bajas. Esto nos dice que hubo un alto número de bajas de empleados que trabajaron menos de 200 días, es decir, la mayoría de los ex-empleados estuvieron en FORM menos de 1 año.
### Boxplot: Correlación en bajas acorde a variables de género y edad
ggplot(df5, aes(GENERO,SALARIO.DIARIO.IMSS,fill=GENERO)) +
geom_bar(stat = "identity") +
scale_fill_brewer(palette = "Set2") + ggtitle("Salario diario por género")
# La gráfica anterior nos muestra la correlación entre el género y el salario diario de los empleados. En este, entendemos que el género femenino tiene un salario diario total más alto que los de género masculino.5. Production
## Importar base de datos
produccion<- read.csv('p1 Base produccion form - Base produccion form - Base produccion form - Base produccion form.csv')
summary(produccion)## Fecha CLIENTE ID.FORM PRODUCTO
## Length:3985 Length:3985 Length:3985 Length:3985
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## PIEZAS.PROG. TMO..MIN. HR..FIN ESTACION.ARRANQUE
## Length:3985 Length:3985 Length:3985 Length:3985
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## Laminas.procesadas INICIO.SEP.UP FIN.INICIO.DE.SEP.UP INICIO.de.PROCESO
## Min. : 0.0 Length:3985 Length:3985 Length:3985
## 1st Qu.: 0.0 Class :character Class :character Class :character
## Median : 51.0 Mode :character Mode :character Mode :character
## Mean : 102.1
## 3rd Qu.: 184.0
## Max. :1263.0
##
## FIN.de.PROCESO TIEMPO.CALIDAD TIEMPO.MATERIALES
## Length:3985 Length:3985 Min. : 0.000
## Class :character Class :character 1st Qu.: 0.000
## Mode :character Mode :character Median : 0.000
## Mean : 3.169
## 3rd Qu.: 1.000
## Max. :60.000
## NA's :3489# **Producción**
# *3988 registros y 15 variables*
## 1. Entender y limpiar la base de datos
describe(produccion)## # A tibble: 2 × 26
## describe…¹ n na mean sd se_mean IQR skewn…² kurto…³ p00 p01
## <chr> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Laminas.p… 3985 0 102. 134. 2.13 184 2.70 13.1 0 0
## 2 TIEMPO.MA… 496 3489 3.17 7.57 0.340 1 3.72 17.5 0 0
## # … with 15 more variables: p05 <dbl>, p10 <dbl>, p20 <dbl>, p25 <dbl>,
## # p30 <dbl>, p40 <dbl>, p50 <dbl>, p60 <dbl>, p70 <dbl>, p75 <dbl>,
## # p80 <dbl>, p90 <dbl>, p95 <dbl>, p99 <dbl>, p100 <dbl>, and abbreviated
## # variable names ¹described_variables, ²skewness, ³kurtosis### Paso 1. De caracter a fecha (Tecnica 4. Convertir tipos de datos)
bdp<-produccion
bdp$Fecha<- as.Date(bdp$Fecha, format= "%d/%m/%Y")
summary(bdp)## Fecha CLIENTE ID.FORM PRODUCTO
## Min. :2022-07-15 Length:3985 Length:3985 Length:3985
## 1st Qu.:2022-08-03 Class :character Class :character Class :character
## Median :2022-08-20 Mode :character Mode :character Mode :character
## Mean :2022-08-19
## 3rd Qu.:2022-09-06
## Max. :2022-09-21
##
## PIEZAS.PROG. TMO..MIN. HR..FIN ESTACION.ARRANQUE
## Length:3985 Length:3985 Length:3985 Length:3985
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## Laminas.procesadas INICIO.SEP.UP FIN.INICIO.DE.SEP.UP INICIO.de.PROCESO
## Min. : 0.0 Length:3985 Length:3985 Length:3985
## 1st Qu.: 0.0 Class :character Class :character Class :character
## Median : 51.0 Mode :character Mode :character Mode :character
## Mean : 102.1
## 3rd Qu.: 184.0
## Max. :1263.0
##
## FIN.de.PROCESO TIEMPO.CALIDAD TIEMPO.MATERIALES
## Length:3985 Length:3985 Min. : 0.000
## Class :character Class :character 1st Qu.: 0.000
## Mode :character Mode :character Median : 0.000
## Mean : 3.169
## 3rd Qu.: 1.000
## Max. :60.000
## NA's :3489tibble(bdp)## # A tibble: 3,985 × 15
## Fecha CLIENTE ID.FORM PRODU…¹ PIEZA…² TMO..…³ HR..FIN ESTAC…⁴ Lamin…⁵
## <date> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <int>
## 1 2022-07-16 TRMX 00-059… "TGTX.… 1 "10" "09:05" C1Y2 3
## 2 2022-07-22 STABILUS 3 00-00-… "MOTOR… 1 "10" "10:40" C1Y2 2
## 3 2022-07-28 STABILUS 3 00-00-… "MOTOR… 1 "10" "11:20" C1Y2 2
## 4 2022-08-12 TRMX TR-059… "TR137… 1 "10" "09:35" C1 1
## 5 2022-08-12 TRMX TR-059… "TR137… 1 "10" "09:45" C1 1
## 6 2022-09-10 DENSO DN-034… "MCV. … 1 "10" "08:45" c1y2 1
## 7 2022-07-23 DENSO DN-034… "TOYOT… 2 "" "" CELDAS 0
## 8 2022-08-05 HELLA HE-073… "SUDAF… 2 "10" "11:20" C1Y2 3
## 9 2022-08-05 HELLA HE-073… "SUDAF… 2 "10" "11:30" C1Y2 0
## 10 2022-08-05 HELLA HE-073… "SUDAF… 2 "10" "11:40" C1Y2 0
## # … with 3,975 more rows, 6 more variables: INICIO.SEP.UP <chr>,
## # FIN.INICIO.DE.SEP.UP <chr>, INICIO.de.PROCESO <chr>, FIN.de.PROCESO <chr>,
## # TIEMPO.CALIDAD <chr>, TIEMPO.MATERIALES <int>, and abbreviated variable
## # names ¹PRODUCTO, ²PIEZAS.PROG., ³TMO..MIN., ⁴ESTACION.ARRANQUE,
## # ⁵Laminas.procesadas### Paso 2. Eliminar columnas inservibles(Técnica 1. Remover valores irrelevantes)
bdp1<-bdp
bdp1 <- subset(bdp1, select =-c (ID.FORM))
bdp1 <- subset(bdp1, select =-c (INICIO.SEP.UP,FIN.INICIO.DE.SEP.UP, TIEMPO.MATERIALES))
bdp1 <- subset(bdp1, select =-c (HR..FIN, INICIO.de.PROCESO, FIN.de.PROCESO))
### Cambiar nombres
colnames(bdp1)<-c('fecha','cliente','producto','piezas_prog','tiempo_min','esta_arranque','laminas_procesadas','tiempo_calidad')
### Borrar todos los registros NA's de una tabla
bdp2<-bdp1
bdp2<-na.omit(bdp2)
summary(bdp2)## fecha cliente producto piezas_prog
## Min. :2022-07-15 Length:3984 Length:3984 Length:3984
## 1st Qu.:2022-08-03 Class :character Class :character Class :character
## Median :2022-08-20 Mode :character Mode :character Mode :character
## Mean :2022-08-19
## 3rd Qu.:2022-09-06
## Max. :2022-09-21
## tiempo_min esta_arranque laminas_procesadas tiempo_calidad
## Length:3984 Length:3984 Min. : 0.0 Length:3984
## Class :character Class :character 1st Qu.: 0.0 Class :character
## Mode :character Mode :character Median : 51.0 Mode :character
## Mean : 102.1
## 3rd Qu.: 184.0
## Max. :1263.0sum(is.na(bdp2))## [1] 0### Paso 3. Cambiar de caracter a numérico
bdp2$piezas_prog<-as.numeric(bdp2$piezas_prog) ## Warning: NAs introducidos por coerciónbdp2$tiempo_min<-as.numeric(bdp2$tiempo_min) ## Warning: NAs introducidos por coerciónbdp2$laminas_procesadas<-as.numeric(bdp2$laminas_procesadas)
bdp2$tiempo_calidad<-as.numeric(bdp2$tiempo_calidad) ## Warning: NAs introducidos por coerciónbdp3<-bdp2
bdp3$tiempo_min <- substr(bdp3$tiempo_min, start = 1, stop = 2)
tibble(bdp3) ## # A tibble: 3,984 × 8
## fecha cliente producto pieza…¹ tiemp…² esta_…³ lamin…⁴ tiemp…⁵
## <date> <chr> <chr> <dbl> <chr> <chr> <dbl> <dbl>
## 1 2022-07-16 TRMX "TGTX. CAJA RS… 1 10 C1Y2 3 1
## 2 2022-07-22 STABILUS 3 "MOTORGEAR. KI… 1 10 C1Y2 2 1
## 3 2022-07-28 STABILUS 3 "MOTORGEAR. KI… 1 10 C1Y2 2 2
## 4 2022-08-12 TRMX "TR13773. CAJA… 1 10 C1 1 1
## 5 2022-08-12 TRMX "TR13776. CAJA… 1 10 C1 1 1
## 6 2022-09-10 DENSO "MCV. VALVE. P… 1 10 c1y2 1 NA
## 7 2022-07-23 DENSO "TOYOTA. MCV. … 2 <NA> CELDAS 0 0
## 8 2022-08-05 HELLA "SUDAFRICA. TA… 2 10 C1Y2 3 1
## 9 2022-08-05 HELLA "SUDAFRICA. \"… 2 10 C1Y2 0 0
## 10 2022-08-05 HELLA "SUDAFRICA. PA… 2 10 C1Y2 0 0
## # … with 3,974 more rows, and abbreviated variable names ¹piezas_prog,
## # ²tiempo_min, ³esta_arranque, ⁴laminas_procesadas, ⁵tiempo_calidadbdp3$tiempo_min <- as.integer(bdp3$tiempo_min)
str(bdp3) ## 'data.frame': 3984 obs. of 8 variables:
## $ fecha : Date, format: "2022-07-16" "2022-07-22" ...
## $ cliente : chr "TRMX" "STABILUS 3" "STABILUS 3" "TRMX" ...
## $ producto : chr "TGTX. CAJA RSC. ( 1 Pieza) con SOBRE. Kit: TR-059-19014" "MOTORGEAR. KIT. TAPA GRAL. Grapada. 1 Pza/ Kit. ( Kit 19211)" "MOTORGEAR. KIT. TAPA GRAL. Grapada. 1 Pza/ Kit. ( Kit 19211)" "TR13773. CAJA RSC Imp. Negra con SOBRE ( 2 Partes). PC0048." ...
## $ piezas_prog : num 1 1 1 1 1 1 2 2 2 2 ...
## $ tiempo_min : int 10 10 10 10 10 10 NA 10 10 10 ...
## $ esta_arranque : chr "C1Y2" "C1Y2" "C1Y2" "C1" ...
## $ laminas_procesadas: num 3 2 2 1 1 1 0 3 0 0 ...
## $ tiempo_calidad : num 1 1 2 1 1 NA 0 1 0 0 ...
## - attr(*, "na.action")= 'omit' Named int 626
## ..- attr(*, "names")= chr "626"bdp3$piezas_prog <- substr(bdp3$piezas_prog, start = 1, stop = 2)
tibble(bdp3) ## # A tibble: 3,984 × 8
## fecha cliente producto pieza…¹ tiemp…² esta_…³ lamin…⁴ tiemp…⁵
## <date> <chr> <chr> <chr> <int> <chr> <dbl> <dbl>
## 1 2022-07-16 TRMX "TGTX. CAJA RS… 1 10 C1Y2 3 1
## 2 2022-07-22 STABILUS 3 "MOTORGEAR. KI… 1 10 C1Y2 2 1
## 3 2022-07-28 STABILUS 3 "MOTORGEAR. KI… 1 10 C1Y2 2 2
## 4 2022-08-12 TRMX "TR13773. CAJA… 1 10 C1 1 1
## 5 2022-08-12 TRMX "TR13776. CAJA… 1 10 C1 1 1
## 6 2022-09-10 DENSO "MCV. VALVE. P… 1 10 c1y2 1 NA
## 7 2022-07-23 DENSO "TOYOTA. MCV. … 2 NA CELDAS 0 0
## 8 2022-08-05 HELLA "SUDAFRICA. TA… 2 10 C1Y2 3 1
## 9 2022-08-05 HELLA "SUDAFRICA. \"… 2 10 C1Y2 0 0
## 10 2022-08-05 HELLA "SUDAFRICA. PA… 2 10 C1Y2 0 0
## # … with 3,974 more rows, and abbreviated variable names ¹piezas_prog,
## # ²tiempo_min, ³esta_arranque, ⁴laminas_procesadas, ⁵tiempo_calidadbdp3$piezas_prog <- as.integer(bdp3$piezas_prog)
str(bdp3)## 'data.frame': 3984 obs. of 8 variables:
## $ fecha : Date, format: "2022-07-16" "2022-07-22" ...
## $ cliente : chr "TRMX" "STABILUS 3" "STABILUS 3" "TRMX" ...
## $ producto : chr "TGTX. CAJA RSC. ( 1 Pieza) con SOBRE. Kit: TR-059-19014" "MOTORGEAR. KIT. TAPA GRAL. Grapada. 1 Pza/ Kit. ( Kit 19211)" "MOTORGEAR. KIT. TAPA GRAL. Grapada. 1 Pza/ Kit. ( Kit 19211)" "TR13773. CAJA RSC Imp. Negra con SOBRE ( 2 Partes). PC0048." ...
## $ piezas_prog : int 1 1 1 1 1 1 2 2 2 2 ...
## $ tiempo_min : int 10 10 10 10 10 10 NA 10 10 10 ...
## $ esta_arranque : chr "C1Y2" "C1Y2" "C1Y2" "C1" ...
## $ laminas_procesadas: num 3 2 2 1 1 1 0 3 0 0 ...
## $ tiempo_calidad : num 1 1 2 1 1 NA 0 1 0 0 ...
## - attr(*, "na.action")= 'omit' Named int 626
## ..- attr(*, "names")= chr "626"bdp3$laminas_procesadas <- substr(bdp3$laminas_procesadas, start = 1, stop = 2)
tibble(bdp3) ## # A tibble: 3,984 × 8
## fecha cliente producto pieza…¹ tiemp…² esta_…³ lamin…⁴ tiemp…⁵
## <date> <chr> <chr> <int> <int> <chr> <chr> <dbl>
## 1 2022-07-16 TRMX "TGTX. CAJA RS… 1 10 C1Y2 3 1
## 2 2022-07-22 STABILUS 3 "MOTORGEAR. KI… 1 10 C1Y2 2 1
## 3 2022-07-28 STABILUS 3 "MOTORGEAR. KI… 1 10 C1Y2 2 2
## 4 2022-08-12 TRMX "TR13773. CAJA… 1 10 C1 1 1
## 5 2022-08-12 TRMX "TR13776. CAJA… 1 10 C1 1 1
## 6 2022-09-10 DENSO "MCV. VALVE. P… 1 10 c1y2 1 NA
## 7 2022-07-23 DENSO "TOYOTA. MCV. … 2 NA CELDAS 0 0
## 8 2022-08-05 HELLA "SUDAFRICA. TA… 2 10 C1Y2 3 1
## 9 2022-08-05 HELLA "SUDAFRICA. \"… 2 10 C1Y2 0 0
## 10 2022-08-05 HELLA "SUDAFRICA. PA… 2 10 C1Y2 0 0
## # … with 3,974 more rows, and abbreviated variable names ¹piezas_prog,
## # ²tiempo_min, ³esta_arranque, ⁴laminas_procesadas, ⁵tiempo_calidadbdp3$laminas_procesadas <- as.integer(bdp3$laminas_procesadas)
str(bdp3) ## 'data.frame': 3984 obs. of 8 variables:
## $ fecha : Date, format: "2022-07-16" "2022-07-22" ...
## $ cliente : chr "TRMX" "STABILUS 3" "STABILUS 3" "TRMX" ...
## $ producto : chr "TGTX. CAJA RSC. ( 1 Pieza) con SOBRE. Kit: TR-059-19014" "MOTORGEAR. KIT. TAPA GRAL. Grapada. 1 Pza/ Kit. ( Kit 19211)" "MOTORGEAR. KIT. TAPA GRAL. Grapada. 1 Pza/ Kit. ( Kit 19211)" "TR13773. CAJA RSC Imp. Negra con SOBRE ( 2 Partes). PC0048." ...
## $ piezas_prog : int 1 1 1 1 1 1 2 2 2 2 ...
## $ tiempo_min : int 10 10 10 10 10 10 NA 10 10 10 ...
## $ esta_arranque : chr "C1Y2" "C1Y2" "C1Y2" "C1" ...
## $ laminas_procesadas: int 3 2 2 1 1 1 0 3 0 0 ...
## $ tiempo_calidad : num 1 1 2 1 1 NA 0 1 0 0 ...
## - attr(*, "na.action")= 'omit' Named int 626
## ..- attr(*, "names")= chr "626"### Paso 4. Cambiar de NA's a promedios
bdp4 <- bdp3
bdp4$tiempo_min[is.na(bdp4$tiempo_min)]<-mean(bdp4$tiempo_min, na.rm = TRUE)
summary(bdp4) ## fecha cliente producto piezas_prog
## Min. :2022-07-15 Length:3984 Length:3984 Min. : 1.00
## 1st Qu.:2022-08-03 Class :character Class :character 1st Qu.:12.00
## Median :2022-08-20 Mode :character Mode :character Median :20.00
## Mean :2022-08-19 Mean :27.19
## 3rd Qu.:2022-09-06 3rd Qu.:40.00
## Max. :2022-09-21 Max. :99.00
## NA's :179
## tiempo_min esta_arranque laminas_procesadas tiempo_calidad
## Min. : 0.00 Length:3984 Min. : 0.00 Min. : 0.0000
## 1st Qu.:15.00 Class :character 1st Qu.: 0.00 1st Qu.: 0.0000
## Median :22.13 Mode :character Median :19.00 Median : 1.0000
## Mean :22.13 Mean :21.42 Mean : 0.8628
## 3rd Qu.:25.00 3rd Qu.:32.00 3rd Qu.: 1.0000
## Max. :90.00 Max. :98.00 Max. :22.0000
## NA's :343### Paso 5. Cambiar de NA's a 0
bdp5 <- bdp4
bdp5$laminas_procesadas[bdp5$laminas_procesadas < 1]<- NA
summary(bdp5)## fecha cliente producto piezas_prog
## Min. :2022-07-15 Length:3984 Length:3984 Min. : 1.00
## 1st Qu.:2022-08-03 Class :character Class :character 1st Qu.:12.00
## Median :2022-08-20 Mode :character Mode :character Median :20.00
## Mean :2022-08-19 Mean :27.19
## 3rd Qu.:2022-09-06 3rd Qu.:40.00
## Max. :2022-09-21 Max. :99.00
## NA's :179
## tiempo_min esta_arranque laminas_procesadas tiempo_calidad
## Min. : 0.00 Length:3984 Min. : 1.00 Min. : 0.0000
## 1st Qu.:15.00 Class :character 1st Qu.:15.00 1st Qu.: 0.0000
## Median :22.13 Mode :character Median :21.00 Median : 1.0000
## Mean :22.13 Mean :30.09 Mean : 0.8628
## 3rd Qu.:25.00 3rd Qu.:41.00 3rd Qu.: 1.0000
## Max. :90.00 Max. :98.00 Max. :22.0000
## NA's :1148 NA's :343### Paso 6. Borra NA's
bdp6 <- bdp5
bdp6 <- na.omit(bdp6)
str(bdp6)## 'data.frame': 2679 obs. of 8 variables:
## $ fecha : Date, format: "2022-07-16" "2022-07-22" ...
## $ cliente : chr "TRMX" "STABILUS 3" "STABILUS 3" "TRMX" ...
## $ producto : chr "TGTX. CAJA RSC. ( 1 Pieza) con SOBRE. Kit: TR-059-19014" "MOTORGEAR. KIT. TAPA GRAL. Grapada. 1 Pza/ Kit. ( Kit 19211)" "MOTORGEAR. KIT. TAPA GRAL. Grapada. 1 Pza/ Kit. ( Kit 19211)" "TR13773. CAJA RSC Imp. Negra con SOBRE ( 2 Partes). PC0048." ...
## $ piezas_prog : int 1 1 1 1 1 2 3 3 4 4 ...
## $ tiempo_min : num 10 10 10 10 10 10 10 10 10 10 ...
## $ esta_arranque : chr "C1Y2" "C1Y2" "C1Y2" "C1" ...
## $ laminas_procesadas: int 3 2 2 1 1 3 2 5 5 10 ...
## $ tiempo_calidad : num 1 1 2 1 1 1 0 1 1 1 ...
## - attr(*, "na.action")= 'omit' Named int [1:1305] 6 7 9 10 18 22 25 27 28 30 ...
## ..- attr(*, "names")= chr [1:1305] "6" "7" "9" "10" ...### Verificar eliminación de NA´s
colSums(is.na(bdp6))## fecha cliente producto piezas_prog
## 0 0 0 0
## tiempo_min esta_arranque laminas_procesadas tiempo_calidad
## 0 0 0 0summary(bdp6)## fecha cliente producto piezas_prog
## Min. :2022-07-15 Length:2679 Length:2679 Min. : 1.00
## 1st Qu.:2022-08-02 Class :character Class :character 1st Qu.:13.00
## Median :2022-08-18 Mode :character Mode :character Median :20.00
## Mean :2022-08-18 Mean :26.53
## 3rd Qu.:2022-09-02 3rd Qu.:32.50
## Max. :2022-09-21 Max. :99.00
## tiempo_min esta_arranque laminas_procesadas tiempo_calidad
## Min. : 0.00 Length:2679 Min. : 1.00 Min. : 0.00
## 1st Qu.:15.00 Class :character 1st Qu.:16.00 1st Qu.: 1.00
## Median :20.00 Mode :character Median :21.00 Median : 1.00
## Mean :22.16 Mean :30.18 Mean : 1.16
## 3rd Qu.:25.00 3rd Qu.:41.00 3rd Qu.: 1.00
## Max. :90.00 Max. :98.00 Max. :22.00str(bdp6)## 'data.frame': 2679 obs. of 8 variables:
## $ fecha : Date, format: "2022-07-16" "2022-07-22" ...
## $ cliente : chr "TRMX" "STABILUS 3" "STABILUS 3" "TRMX" ...
## $ producto : chr "TGTX. CAJA RSC. ( 1 Pieza) con SOBRE. Kit: TR-059-19014" "MOTORGEAR. KIT. TAPA GRAL. Grapada. 1 Pza/ Kit. ( Kit 19211)" "MOTORGEAR. KIT. TAPA GRAL. Grapada. 1 Pza/ Kit. ( Kit 19211)" "TR13773. CAJA RSC Imp. Negra con SOBRE ( 2 Partes). PC0048." ...
## $ piezas_prog : int 1 1 1 1 1 2 3 3 4 4 ...
## $ tiempo_min : num 10 10 10 10 10 10 10 10 10 10 ...
## $ esta_arranque : chr "C1Y2" "C1Y2" "C1Y2" "C1" ...
## $ laminas_procesadas: int 3 2 2 1 1 3 2 5 5 10 ...
## $ tiempo_calidad : num 1 1 2 1 1 1 0 1 1 1 ...
## - attr(*, "na.action")= 'omit' Named int [1:1305] 6 7 9 10 18 22 25 27 28 30 ...
## ..- attr(*, "names")= chr [1:1305] "6" "7" "9" "10" ...summary(bdp6)## fecha cliente producto piezas_prog
## Min. :2022-07-15 Length:2679 Length:2679 Min. : 1.00
## 1st Qu.:2022-08-02 Class :character Class :character 1st Qu.:13.00
## Median :2022-08-18 Mode :character Mode :character Median :20.00
## Mean :2022-08-18 Mean :26.53
## 3rd Qu.:2022-09-02 3rd Qu.:32.50
## Max. :2022-09-21 Max. :99.00
## tiempo_min esta_arranque laminas_procesadas tiempo_calidad
## Min. : 0.00 Length:2679 Min. : 1.00 Min. : 0.00
## 1st Qu.:15.00 Class :character 1st Qu.:16.00 1st Qu.: 1.00
## Median :20.00 Mode :character Median :21.00 Median : 1.00
## Mean :22.16 Mean :30.18 Mean : 1.16
## 3rd Qu.:25.00 3rd Qu.:41.00 3rd Qu.: 1.00
## Max. :90.00 Max. :98.00 Max. :22.00sum(is.na(bdp6))## [1] 0## 2.Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua y Escalas de Medicion.
Variable<-c("Fecha ","cliente","producto", "Piezas programadas","tiempo min","Estacion de arranque","Laminas procesadas", "Tiempo de calidad")
Type<-c("Cualitativa","Cualitativa","Cualitativa", "Cuantitativa(Discreta)", "Cuantitativa(Discreta)","Cualitativa", "Cuantitativa(Discreta)", "Cuantitativa discreta")
Medicion <-c("Nominal", "Nominal","Nominal", "Intervalo", "Intervalo","Nominal", "Intervalo", "Intervalo")
table<-data.frame(Variable,Type, Medicion)
knitr::kable(table)| Variable | Type | Medicion |
|---|---|---|
| Fecha | Cualitativa | Nominal |
| cliente | Cualitativa | Nominal |
| producto | Cualitativa | Nominal |
| Piezas programadas | Cuantitativa(Discreta) | Intervalo |
| tiempo min | Cuantitativa(Discreta) | Intervalo |
| Estacion de arranque | Cualitativa | Nominal |
| Laminas procesadas | Cuantitativa(Discreta) | Intervalo |
| Tiempo de calidad | Cuantitativa discreta | Intervalo |
### Exportar csv
bdl<-data.frame(x = rnorm(10), y = rnorm(10))
write.csv(bdp5, "exportada_produccion_csv")
bdl<-read.csv("exportada_produccion_csv")
## Datos descriptivos
## *Tabla de Media, Moda y Mediana
# Los datos muestran una desviación estándar y datos muy alejados entre los puntos variables, lo cual nos indica una alteración en la uniformidad de los datos. Esto representa alguna falla en los datos o bien, un punto a considerar en el área productiva.
bd6<-bdl
tabla<-describe(bd6)
### Gráficas
#### Barplots-3
# Recopilando la informacion me tope con estos datos lo cual nos informa acerca de los clientes mas destacados para form y el tiempo minimo de tardanza en el ensamblaje de los productos, en este caso el primer lugar con mas eficiencia por cliente fue stabilus en la primera vuelta.
# Nota: LA visualizacion no se completa en este rmd, para mejor visualizacion ver archivo individual.
bd6<-bd6 %>% select(piezas_prog,tiempo_min,cliente ) %>% group_by(cliente) %>%
summarise(piezas_prog=sum(piezas_prog),tiempo_min=sum(tiempo_min)) %>% arrange(desc(piezas_prog))
bd6<-bd6[-c(7,8,9),]
ggplot(bd6,aes(x=reorder(tiempo_min,piezas_prog), y=piezas_prog,fill=cliente)) +
geom_bar(stat="identity")## Warning: Removed 3 rows containing missing values (position_stack).
# Dentro de esta segunda tabla de barras se muestra la cantidad de piezas programadas que se tuvo por mes en los periodos de los meses Julio, Agosto y Septiembre. Esto nos dice acerca de la mayor productividad de Agosto viendo que hay una inversión en tiempo mayor para DENSO y VARROC. Es necesario evaluar qué tan productivo o ineficiente es esto en cuanto a calidad productiva.
datoscopia<-bdl
datoscopia$ano<-strftime(datoscopia$fecha, "%Y")
datoscopia$mes<-strftime(datoscopia$fecha, "%m")
data_agg<- aggregate(piezas_prog~mes + ano, datoscopia, FUN = sum)
data_agglamina<- aggregate(laminas_procesadas~mes + ano, datoscopia, FUN = sum)
ggplot(data_agg,aes(x=mes,y=piezas_prog)) +
geom_bar(stat="identity")
# En esta gráfica se puede visualizar la dependencia del tiempo mínimo de producción con las piezas programadas dependiendo de la estación de arranque. La mayor productividad general tiene una relación con la estación C1 y la C1y2 ya que se ve que es la que menos tiempo hace con más procesamiento de láminas.
ggplot(datoscopia,aes(x=tiempo_min, y=piezas_prog,fill=esta_arranque)) +
geom_bar(stat="identity")## Warning: Removed 179 rows containing missing values (position_stack).
#### Dispersion-2
# En esta tabla se muestra un claro ejemplo de comparación que entre más tiempo de calidad se le dé al cliente, se logrará hacer un tiempo menor, agilizando los procesos y terminándolos más rápido como fue con los clientes en azul.
ggplot(datoscopia, aes(x=tiempo_calidad, y=tiempo_min, color=cliente)) +
geom_point() + geom_rug()## Warning: Removed 343 rows containing missing values (geom_point).
# En esta grafica se tiene la intención de ver a los compradores predominantes dentro de FORM durante los tres meses predictivos, esto para poder lograr una atención especializada y ver más o menos el tiempo que toman sus productos y generar un tipo de procesos más fluido.
ggplot(datoscopia, aes(x=cliente, y=laminas_procesadas, color=mes)) +
geom_point() + geom_rug()## Warning: Removed 1148 rows containing missing values (geom_point).
### Series de tiempo-1
# Aquí se puede ver una serie de tiempo no lineal, lo cual nos dice que no se tienen procesos claros y estables para la producción, lo cual lo convierte en un proceso variable y con fallas en los tiempos de entregas como resultado.
ggplot(datoscopia,aes(x=fecha))+
geom_line(aes(y=piezas_prog),color="orange")+
labs(x="Fecha",y="piezas programadas", color="orange")+
ggtitle("Grafica de tasa de rendimiento")## Warning: Removed 179 row(s) containing missing values (geom_path).
# <span style = "color:darkorange"> **6. Base de Datos Externa**
### Pronosticar el desempeño de la industria automotriz (EUA y MEX) para los 3 periodos de tiempo.
externo<- read.csv('externa_bd3 csv3.csv')
summary(externo)## Año USA MEX
## Min. :2016 Min. :48847 Min. :103443
## 1st Qu.:2017 1st Qu.:52256 1st Qu.:114333
## Median :2018 Median :54328 Median :124555
## Mean :2018 Mean :53932 Mean :123036
## 3rd Qu.:2020 3rd Qu.:55203 3rd Qu.:129521
## Max. :2021 Max. :59031 Max. :143561### Crear serie de tiempo
produccion_mexico<- c(externo$MEX)
produccion_usa<- c(externo$USA)
produccionm<-ts(data=produccion_mexico, start=c(2016,1), frequency=1)
produccionu<-ts(data=produccion_usa, start=c(2016,1), frequency=1)
produccionm## Time Series:
## Start = 2016
## End = 2021
## Frequency = 1
## [1] 103442.8 112230.6 120638.5 128470.9 129871.3 143560.9produccionu## Time Series:
## Start = 2016
## End = 2021
## Frequency = 1
## [1] 48847.2 51672.2 54005.8 55387.1 54651.0 59030.7modelom<- auto.arima(produccionm, D=1)
modelou<- auto.arima(produccionu, D=1)
modelom## Series: produccionm
## ARIMA(0,1,0) with drift
##
## Coefficients:
## drift
## 8023.620
## s.e. 1752.032
##
## sigma^2 = 19186921: log likelihood = -48.46
## AIC=100.92 AICc=106.92 BIC=100.14modelou## Series: produccionu
## ARIMA(0,1,0)
##
## sigma^2 = 7012061: log likelihood = -46.5
## AIC=95 AICc=96.34 BIC=94.61pronosticom <- forecast(modelom, level=c(95), h=4)
pronosticom## Point Forecast Lo 95 Hi 95
## 2022 151584.5 142999.3 160169.7
## 2023 159608.1 147466.8 171749.5
## 2024 167631.8 152761.7 182501.8
## 2025 175655.4 158485.0 192825.8plot(pronosticom)
# Esta gráfica nos muestra el pronóstico estimado de acuerdo a los años de producción analizados. La base de datos nos muestra que el pronóstico de desempeño de la industria automotriz para EUA y México. De acuerdo a los resultados, ha habido un crecimiento ascendente en lal demanda desde 2016. Para años próximos, se pronostica que el desempeño de la indutria seguirá incrementando. Viendo los puntos azules, esto muestra un desempeño constante y significativo. En cuanto al apartado sombreado, este nos muestra el posible crecimiento ascendente o descendente que podría tener la demanda en años futuros, aunque como vemos, el pronóstico estima que será positivo.
pronosticou <- forecast(modelou, level=c(95), h=4)
pronosticou## Point Forecast Lo 95 Hi 95
## 2022 59030.7 53840.66 64220.74
## 2023 59030.7 51690.87 66370.53
## 2024 59030.7 50041.28 68020.12
## 2025 59030.7 48650.61 69410.79plot(pronosticou)
# La gráfica nos muestra un segundo punto de ascendencia. Al igual que el anterior, en el "eje x" vemos los valores de año y en el "eje y" la producción. A pesar de que esta gráfica refleja un pronóstico ascendente positivo, vemos que es mucho más constante y lineal que el anterior. Esto nos dice que hay una significancia elevada aunque menos ascendente que la primera gráfica.
### Pronosticar el desempeño de produccion de Form para los proximos 3 periodos de tiempo.
produccionform<- read.csv('p2 Form_produccionbaselimpia.csv')
summary(produccionform)## fecha cliente producto piezas_prog
## Length:2679 Length:2679 Length:2679 Min. : 1.00
## Class :character Class :character Class :character 1st Qu.:13.00
## Mode :character Mode :character Mode :character Median :20.00
## Mean :26.53
## 3rd Qu.:32.50
## Max. :99.00
## tiempo_min esta_arranque laminas_procesadas tiempo_calidad
## Length:2679 Length:2679 Min. : 1.00 Min. : 0.00
## Class :character Class :character 1st Qu.:16.00 1st Qu.: 1.00
## Mode :character Mode :character Median :21.00 Median : 1.00
## Mean :30.18 Mean : 1.16
## 3rd Qu.:41.00 3rd Qu.: 1.00
## Max. :98.00 Max. :22.00### Crear serie de tiempo
produccionform<- c(produccionform$laminas_procesadas)
produccionf<-ts(data=produccionform, start=c(2022,7), end=c(2025, 12), frequency=12)
produccionf## Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 2022 3 2 2 1 1 3
## 2023 2 5 5 10 5 1 5 7 12 4 7 1
## 2024 15 9 9 9 10 18 22 22 9 45 22 11
## 2025 22 11 11 21 11 11 11 6 11 11 11 11modelof<- auto.arima(produccionf, D=1)
modelof## Series: produccionf
## ARIMA(2,1,0)(1,1,0)[12]
##
## Coefficients:
## ar1 ar2 sar1
## -0.7093 -0.3922 -0.6559
## s.e. 0.1707 0.1731 0.1338
##
## sigma^2 = 79.45: log likelihood = -106.7
## AIC=221.39 AICc=223.06 BIC=226.86pronosticof <- forecast(modelof, level=c(95), h=3)
pronosticof## Point Forecast Lo 95 Hi 95
## Jan 2026 16.15994 -1.310577 33.63046
## Feb 2026 10.94930 -7.244584 29.14318
## Mar 2026 12.23185 -7.267684 31.73139plot(pronosticof)
### Describe los resultados
# Realizamos una serie de tiempo tanto para la base de la industria automotriz como para la base de producción de FORM, este es enfocado a las laminas procesadas cada mes y en la industria es por año. Para poder realizar este Analisis de Resultado realizamos una grafica y un modelo de Predicción por medio de la función auto.arima. Gracias a esta función, le especificamos desde que Fecha empezará a obtener datos de la base de Datos y también colocamos la frecuencia, que se refiere a cómo se comporta, en cuestión a si se va a calcular por mes o por año. Así mismo, obtuvimos para la industria tanto en México como en EU, que son los países en los que se enfoca más FORM y obtengan mejor oportunidad de crecimiento. Al realizar este modelo calculamos para los próximos 3 periodos, en este caso para el 2025 y obtuvimos los siguientes resultados:
# - *Industria Automotriz en México*:
# 1. Partiendo de un margen del 95%, queriendo decir, que este modelo es más preciso por lo que al ver la grafica obtenemos que tendrá un incremento constante en los próximos 3 años, partiendo del 2022.
# 2. Este crecimiento de la industria automotriz en México se estima un crecimiento del 16% para 2025, lo que beneficia a FORM para continuar produciendo en el mercado Mexicano.
# - *Industria Automotriz en Estados Unidos*:
# 1. Para 2022 el pronostico es de 59 mil, que este se puede mantener constante en los próximos 3 años hasta 2025
# 2. Se obtiene un escenario optimista con la precisión del 95%, lo que quiere decir que para finales del 2025, puede estar igual en 59 mil o aumentar hasta los 69 mil. Esto indicaría que va en aumento año con año y terminaría el 2025 con un aumento del casi 20%. Lo que indicaría algo bueno para FORM, dandole oportunidad a aumentar su cartera de clientes dentro del mercado Estadounidense y teniendo un buen impacto de la industria para los próximos periodos.
# - *Empresa FORM*:
# 1. Se hizo el pronostico por mes y dando un periodo hasta el 2026, partiendo del 2022 con 3 en cuanto a producción de laminas procesadas, se estima que este tenga un aumento constante, ademas de que entre el 2024 y 2025 tenga un punto de pique más alto, que posteriormente volverá a estabilizarse pero que se mantendrá constante entre los 10 a 20 en producción.
# 2. Se pronostica que para el 2026 se tenga un 33 en producción del área de laminas procesadas, teniendo una precisión del 95% en un escenario optimista. Así mismo este se puede mantener constante en 10 o aumentar como se comentó anteriormente y este crecimiento a términos del 2026 tomando el escenario optimista, sería de poco mas del 90% lo que sería un gran aumento para FORM. También si fuera sin el 95% para inicios del 2026 serían 16 en producción con el 60% de aumento, lo que seguiría siendo algo importante para FORM.6.Base de Datos Externa
# En esta base de datos externa se analizó una serie de tiempo enfocada principalmente en EUA y México ya que son las principales áreas de interés para la empresa de FORM.
# Un hallazgo es que la industria automotriz en México se mantendrá en constante crecimiento en un lapso de 3 años en un futuro. Con un pronóstico de un 95% lo cual es muy óptimo a que suceda.
# Si se analiza hasta el año 2025, existe un 16% de crecimiento en la industria, por lo que a FORM, le conviene hoy en día continuar con la mano de obra en México y seguir vendiendo a compañías extranjeras.
# Por la parte de EUA, se espera un crecimiento para el 2025 de un 20% , por lo que nos determinó que la industria automotriz estado unidos se mantiene en constante crecimiento año tras año.
# Para la empresa de FORM, se espera que exista un crecimiento en los próximos años en lo que es la producción de láminas procesadas, se espera que este tenga un aumento constante, por lo que sería una ventaja competitiva preparar los procesos de láminas desde este año para que en los próximos años que este proceso de laminado aumente no existan tantos errores buscando perfeccionar el proceso.7. K-Means Clustering
## Cluster 3
## Importar base de datos
cluster3<-read.csv("HR_Bajas 2.csv")
summary(cluster3)## NO.DE.BAJAS APELLIDOS NOMBRE FECHA.DE.NACIMIENTO
## Min. : 5.00 Length:78 Length:78 Min. :25585
## 1st Qu.: 49.75 Class :character Class :character 1st Qu.:31751
## Median :167.50 Mode :character Mode :character Median :33797
## Mean :139.60 Mean :33611
## 3rd Qu.:212.75 3rd Qu.:36519
## Max. :238.00 Max. :44632
## EDAD GENERO FECHA.DE.ALTA MOTIVO.DE.BAJA
## Min. : 0.00 Length:78 Min. :43961 Length:78
## 1st Qu.:22.25 Class :character 1st Qu.:44567 Class :character
## Median :30.00 Mode :character Median :44726 Mode :character
## Mean :30.50 Mean :44664
## 3rd Qu.:36.00 3rd Qu.:44759
## Max. :52.00 Max. :44790
## DIAS.TRABAJADOS BAJA PUESTO DEPARTAMENTO
## Min. : 0.00 Min. :44569 Length:78 Length:78
## 1st Qu.: 9.00 1st Qu.:44613 Class :character Class :character
## Median : 19.00 Median :44741 Mode :character Mode :character
## Mean : 45.10 Mean :44709
## 3rd Qu.: 39.75 3rd Qu.:44784
## Max. :730.00 Max. :44814
## NO.SEGURO.SOCIAL SALARIO.DIARIO.IMSS FACTOR.CRED.INFONAVIT
## Length:78 Min. :151.6 Min. : 0.0
## Class :character 1st Qu.:180.7 1st Qu.: 0.0
## Mode :character Median :180.7 Median : 0.0
## Mean :174.3 Mean : 130.4
## 3rd Qu.:180.7 3rd Qu.: 0.0
## Max. :183.7 Max. :2795.3
## NO.CREDITO.INFONAVIT LUGAR.DE.NACIMIENTO CURP CALLE
## Min. :0.000e+00 Length:78 Length:78 Length:78
## 1st Qu.:0.000e+00 Class :character Class :character Class :character
## Median :0.000e+00 Mode :character Mode :character Mode :character
## Mean :1.871e+08
## 3rd Qu.:0.000e+00
## Max. :6.919e+09
## NUMERO.INTERNO COLONIA CODIGO.POSTAL MUNICIPIO
## Length:78 Length:78 Min. :25019 Length:78
## Class :character Class :character 1st Qu.:33604 Class :character
## Mode :character Mode :character Median :33604 Mode :character
## Mean :46508
## 3rd Qu.:66645
## Max. :67450
## ESTADO ESTADO.CIVIL TARJETA.CUENTA
## Length:78 Length:78 Length:78
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
## str(cluster3)## 'data.frame': 78 obs. of 26 variables:
## $ NO.DE.BAJAS : int 5 6 7 8 9 11 12 16 19 20 ...
## $ APELLIDOS : chr "BERNAL FLORES" "SAUCEDO GUZMAN" "MEZA LLANAS" "TORRES LARA" ...
## $ NOMBRE : chr "ERIKA ROSALINDA" "GUADALUPE" "YOANA CRISTINA" "CESAR ANTONIO" ...
## $ FECHA.DE.NACIMIENTO : int 33997 28106 34174 33491 26422 36970 32443 37872 37512 36915 ...
## $ EDAD : int 29 46 29 31 50 21 34 19 20 21 ...
## $ GENERO : chr "FEMENINO" "FEMENINO" "FEMENINO" "MASCULINO" ...
## $ FECHA.DE.ALTA : int 44518 44532 44532 44538 44551 44531 44532 44488 44541 44546 ...
## $ MOTIVO.DE.BAJA : chr "RENUNCIA VOLUNTARIA" "BAJA POR FALTAS" "BAJA POR FALTAS" "BAJA POR FALTAS" ...
## $ DIAS.TRABAJADOS : int 51 37 37 31 18 40 39 86 33 28 ...
## $ BAJA : int 44569 44569 44569 44569 44569 44571 44571 44574 44574 44574 ...
## $ PUESTO : chr "AYUDANTE GENERAL" "AYUDANTE GENERAL" "AYUDANTE GENERAL" "AYUDANTE GENERAL" ...
## $ DEPARTAMENTO : chr "VARIOS" "VARIOS" "VARIOS" "VARIOS" ...
## $ NO.SEGURO.SOCIAL : chr "43109363747" "43937683647" "43099330201" "43099151714" ...
## $ SALARIO.DIARIO.IMSS : num 152 152 152 152 152 ...
## $ FACTOR.CRED.INFONAVIT: num 0 1320 0 0 0 ...
## $ NO.CREDITO.INFONAVIT : num 0.00 1.92e+09 0.00 0.00 0.00 ...
## $ LUGAR.DE.NACIMIENTO : chr "NUEVO LEON" "NUEVO LEON" "NUEVO LEON" "NUEVO LEON" ...
## $ CURP : chr "BEFE930128MNLRLR05" "SAGG761212MNLCZD08" "MELY930724MNLZLN01" "TOLC910910HNLRRS09" ...
## $ CALLE : chr "JULIAN VILLAGRAN" "PAPAGAYOS" "RIO AMANONAS" "PALMERA" ...
## $ NUMERO.INTERNO : chr "452" "220" "300" "104" ...
## $ COLONIA : chr "REFORMA" "GOLONDRINAS" "PUEBLO NUEVO" "MIRADOR DEL PARQUE" ...
## $ CODIGO.POSTAL : int 66640 66649 66646 67254 67114 66645 66646 66646 66645 66646 ...
## $ MUNICIPIO : chr "APODACA" "APODACA" "APODACA" "JUAREZ" ...
## $ ESTADO : chr "NUEVO LEON" "NUEVO LEON" "NUEVO LEON" "NUEVO LEON" ...
## $ ESTADO.CIVIL : chr "SOLTERO/A" "SOLTERO/A" "UNION LIBRE" "UNION LIBRE" ...
## $ TARJETA.CUENTA : chr "BANORTE" "BANORTE" "BANORTE" "BANORTE" ...## Número de clusters
## Juntar los datos relacionados a edad en años
newbd<-cluster3 %>% select(EDAD,SALARIO.DIARIO.IMSS,PUESTO)
summary(newbd)## EDAD SALARIO.DIARIO.IMSS PUESTO
## Min. : 0.00 Min. :151.6 Length:78
## 1st Qu.:22.25 1st Qu.:180.7 Class :character
## Median :30.00 Median :180.7 Mode :character
## Mean :30.50 Mean :174.3
## 3rd Qu.:36.00 3rd Qu.:180.7
## Max. :52.00 Max. :183.7## Normalizar los datos
newbdnorm<-scale(newbd[2:1])
## Gráfica para ver número óptimo de clusters
fviz_nbclust(newbdnorm, kmeans, method="wss")+ # wss method considers total within sum of square
geom_vline(xintercept=4, linetype=2)+ # optimal number of clusters is computed with the default method = "euclidean"
labs(subtitle = "Elbow method")
# Esta gráfica justifica que lo ideal es realizar 4 clusters para tener un entendimiento ideal de los datos.
## Visualizar información
newbd2clus<-kmeans(newbdnorm,4)
newbd2clus## K-means clustering with 4 clusters of sizes 12, 17, 26, 23
##
## Cluster means:
## SALARIO.DIARIO.IMSS EDAD
## 1 0.5317981 1.5586093
## 2 -1.8780410 -0.1112219
## 3 0.5184044 -0.8844567
## 4 0.5246350 0.2688407
##
## Clustering vector:
## [1] 2 2 2 2 2 2 2 2 2 2 2 2 1 3 3 4 3 3 3 3 2 1 2 2 2 2 4 4 1 1 1 3 3 4 4 3 3 4
## [39] 1 3 3 4 1 3 1 4 4 3 4 4 4 4 4 4 4 3 3 1 3 3 3 4 4 3 4 4 4 1 3 4 1 4 1 3 3 3
## [77] 3 3
##
## Within cluster sum of squares by cluster:
## [1] 1.534968 15.627899 7.104697 1.698551
## (between_SS / total_SS = 83.1 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"## Ver resultados de clusters
fviz_cluster(newbd2clus,data=newbdnorm)
## Agregar los resultados al dataset original para interpretación
newbd3<-newbd
newbd3$Clusters<-newbd2clus$cluster
summary(newbd3)## EDAD SALARIO.DIARIO.IMSS PUESTO Clusters
## Min. : 0.00 Min. :151.6 Length:78 Min. :1.000
## 1st Qu.:22.25 1st Qu.:180.7 Class :character 1st Qu.:2.000
## Median :30.00 Median :180.7 Mode :character Median :3.000
## Mean :30.50 Mean :174.3 Mean :2.769
## 3rd Qu.:36.00 3rd Qu.:180.7 3rd Qu.:4.000
## Max. :52.00 Max. :183.7 Max. :4.000## Crear datasets para ver la información de características por edad por clusters
newbd4<-newbd3 %>% group_by(Clusters,PUESTO) %>% summarise(EDAD=max(EDAD),SALARIO.DIARIO.IMSS=mean(SALARIO.DIARIO.IMSS)) %>% arrange(desc(EDAD))## `summarise()` has grouped output by 'Clusters'. You can override using the
## `.groups` argument.summary(newbd4)## Clusters PUESTO EDAD SALARIO.DIARIO.IMSS
## Min. :1.000 Length:13 Min. :21.00 Min. :151.6
## 1st Qu.:1.000 Class :character 1st Qu.:27.00 1st Qu.:180.7
## Median :3.000 Mode :character Median :37.00 Median :180.7
## Mean :2.615 Mean :36.31 Mean :177.9
## 3rd Qu.:4.000 3rd Qu.:44.00 3rd Qu.:180.7
## Max. :4.000 Max. :52.00 Max. :181.2## Agregar clusters por nombre
newbd3$Cluster_Names<-factor(newbd3$Clusters,levels = c(1,2,3,4),
labels=c("Joven", "Avanzado ", " Adulto", "Jubilado"))
summary(newbd3)## EDAD SALARIO.DIARIO.IMSS PUESTO Clusters
## Min. : 0.00 Min. :151.6 Length:78 Min. :1.000
## 1st Qu.:22.25 1st Qu.:180.7 Class :character 1st Qu.:2.000
## Median :30.00 Median :180.7 Mode :character Median :3.000
## Mean :30.50 Mean :174.3 Mean :2.769
## 3rd Qu.:36.00 3rd Qu.:180.7 3rd Qu.:4.000
## Max. :52.00 Max. :183.7 Max. :4.000
## Cluster_Names
## Joven :12
## Avanzado :17
## Adulto :26
## Jubilado :23
##
## ## Agrupar por nombre y por columna
newbd5 <- newbd3%>% group_by(Cluster_Names,PUESTO) %>% dplyr:: summarize(EDAD=max(EDAD),
SALARIO.DIARIO.IMSS =mean(SALARIO.DIARIO.IMSS),
Count=n())## `summarise()` has grouped output by 'Cluster_Names'. You can override using the
## `.groups` argument.## Visualizar gráficas
## Poner como tabla los datos
clusterssalario<-as.data.frame(newbd5)
clusterssalario## Cluster_Names PUESTO EDAD SALARIO.DIARIO.IMSS Count
## 1 Joven AYUDANTE GENERAL 52 181.2356 9
## 2 Joven COSTURERO/A 44 180.6800 1
## 3 Joven GUARDIA DE SEGURIDAD 45 176.7200 1
## 4 Joven MONTACARGUISTA 42 180.6800 1
## 5 Avanzado AYUDANTE GENERAL 50 151.6100 17
## 6 Adulto AYUDANTE DE EMBARQUES 21 176.7200 1
## 7 Adulto AYUDANTE GENERAL 27 180.7670 23
## 8 Adulto INSPECTOR DE CALIDAD 26 180.6800 1
## 9 Adulto SOLDADOR 25 180.6800 1
## 10 Jubilado AYUDANTE GENERAL 38 180.6800 20
## 11 Jubilado JEFE DE SEGURIDAD E HIGIENE 34 180.6800 1
## 12 Jubilado MONTACARGUISTA 37 180.6800 1
## 13 Jubilado RESIDENTE 31 180.6800 1## Graficar por nombre
ggplot(newbd5,aes(x=reorder(Cluster_Names,Count),y=Count,fill=Cluster_Names)) +
geom_bar(stat="identity")
## Salario diario por número de clusters
ggplot(newbd5, aes(x=Cluster_Names,y=SALARIO.DIARIO.IMSS,fill= Cluster_Names,label=round(SALARIO.DIARIO.IMSS,digits=2))) +
geom_col() +
geom_text()
# Aquí nos podemos dar cuenta que los sueldos no varían mucho entre edades, pero es importante decir que se denota por centavos una mayoría en el sueldo de los jóvenes, específicamente más que en otros rangos de edades.
## Hallazgos relevantes de los clusters
# 1. El salario diario promedio de FORM es de $180 pesos mexicanos, es decir, $5,400 pesos mensuales. De acuerdo a datos compartidos por la INEGI, se prevé que para 2022 el salario mínimo en México sea de $5,255 pesos mensuales. Esto refleja que el salario mensual de FORM es 2% mayor al salario mínimo del país.
# 2. Se destacan tres razones principales de bajas de empleados: bajas por faltas, renuncia voluntaria o término de contrato. En su mayoría, hubo una baja por faltas del puesto de ayudante general y renuncia voluntaria para el mismo puesto.
# 3. Hubo un alto número de bajas de empleados que trabajaron más de 200 días, es decir, la mayoría de los ex-empleados estuvieron en FORM más de 1 año y tenían un salario promedio de $180 pesos.
# 4. Los sueldos de los empleados no varían mucho dependiendo de la edad. Sin embargo, vemos que hay mayor rotación para el grupo ‘adulto’## Cluster 1
library(foreign)
library(dplyr) # data manipulation
library(ggplot2) # data visualization
library(psych) # functions for multivariate analysis
library(corrplot) # correlation plots
library(jtools) # presentation of regression analysis
library(lmtest) # diagnostic checks - linear regression analysis
library(car) # diagnostic checks - linear regression analysis
library(factoextra) # provides functions to extract and visualize the output of exploratory multivariate data analyses
library(ggfortify) # data visualization tools for statistical analysis results## Llamar base de datos.
rh <- read.csv('HR_Bajas 2.csv')
rh1<-rh %>% dplyr:: select(EDAD,DIAS.TRABAJADOS,SALARIO.DIARIO.IMSS,GENERO)
summary(rh1)## EDAD DIAS.TRABAJADOS SALARIO.DIARIO.IMSS GENERO
## Min. : 0.00 Min. : 0.00 Min. :151.6 Length:78
## 1st Qu.:22.25 1st Qu.: 9.00 1st Qu.:180.7 Class :character
## Median :30.00 Median : 19.00 Median :180.7 Mode :character
## Mean :30.50 Mean : 45.10 Mean :174.3
## 3rd Qu.:36.00 3rd Qu.: 39.75 3rd Qu.:180.7
## Max. :52.00 Max. :730.00 Max. :183.7## Normalizar los datos
rh1_norm<-scale(rh1[2:3])
## Número óptimo de clusters
fviz_nbclust(rh1_norm, kmeans, method="wss")+ # wss method considers total within sum of square
geom_vline(xintercept=4, linetype=2)+ # optimal number of clusters is computed with the default method = "euclidean"
labs(subtitle = "Elbow method") 
## Visualizar la información de clusters
rh1_cluster<-kmeans(rh1_norm,4)
rh1_cluster## K-means clustering with 4 clusters of sizes 1, 17, 8, 52
##
## Cluster means:
## DIAS.TRABAJADOS SALARIO.DIARIO.IMSS
## 1 7.5323951 0.5246350
## 2 0.2712304 -1.8780410
## 3 0.6353722 0.4428101
## 4 -0.3312748 0.5357612
##
## Clustering vector:
## [1] 2 2 2 2 2 2 2 2 2 2 2 2 4 4 4 4 4 4 4 3 2 4 2 2 2 2 4 4 4 4 4 4 4 4 4 4 4 4
## [39] 4 4 4 4 4 4 4 3 4 4 3 3 3 1 4 4 3 4 4 4 4 4 4 4 4 4 4 4 4 3 3 4 4 4 4 4 4 4
## [77] 4 4
##
## Within cluster sum of squares by cluster:
## [1] 0.000000 6.019937 3.270968 1.055662
## (between_SS / total_SS = 93.3 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"## Visualizar resultados
fviz_cluster(rh1_cluster,data=rh1_norm)
# El primer cluster analiza la relación entre el salario diario IMSS y los días trabajados de los empleados que ya fueron dados de baja. En este caso, vemos que hay un impacto alto entre aquellos empleados que trabajaron de 2 a 8 días, pero tuvieron un salario diario bajo, mucho menor a 0 en la gráfica. Los otros dos resultados, se muestra que trabajaron menos días, pero al igual que el primer cluster explicado, tuvieron un salario muy bajo. Con estos tres, hay una correlación alta, significativa y negativa. Para el grupo de arriba, vemos que estos trabajaron un promedio de 2-3 días y tuvieron un salario diario muy alto. Podemos inferir que este grupo pertenece al área administrativa, que como vimos en análisis anteriores, son el grupo con un salario mucho más alto al resto.
rh2<-rh1
rh2$Clusters<-rh1_cluster$cluster
summary(rh2)## EDAD DIAS.TRABAJADOS SALARIO.DIARIO.IMSS GENERO
## Min. : 0.00 Min. : 0.00 Min. :151.6 Length:78
## 1st Qu.:22.25 1st Qu.: 9.00 1st Qu.:180.7 Class :character
## Median :30.00 Median : 19.00 Median :180.7 Mode :character
## Mean :30.50 Mean : 45.10 Mean :174.3
## 3rd Qu.:36.00 3rd Qu.: 39.75 3rd Qu.:180.7
## Max. :52.00 Max. :730.00 Max. :183.7
## Clusters
## Min. :1.000
## 1st Qu.:3.000
## Median :4.000
## Mean :3.423
## 3rd Qu.:4.000
## Max. :4.000## Crear un dataset
rh3<-rh2 %>% group_by(Clusters) %>% summarise(SALARIO.DIARIO.IMSS=max(SALARIO.DIARIO.IMSS), DIAS.TRABAJADOS=mean(DIAS.TRABAJADOS)) %>% arrange(desc(SALARIO.DIARIO.IMSS))
summary(rh3)## Clusters SALARIO.DIARIO.IMSS DIAS.TRABAJADOS
## Min. :1.00 Min. :151.6 Min. : 14.98
## 1st Qu.:1.75 1st Qu.:173.4 1st Qu.: 56.07
## Median :2.50 Median :180.7 Median : 86.32
## Mean :2.50 Mean :174.2 Mean :229.41
## 3rd Qu.:3.25 3rd Qu.:181.4 3rd Qu.:259.66
## Max. :4.00 Max. :183.7 Max. :730.00## Agrupar clusters por nombre
rh2$Cluster_Names<-factor(rh2$Clusters,levels = c(1,2,3,4),
labels=c("Bajo", "Promedio ", "Arriba del prom", "Alto"))
summary(rh2)## EDAD DIAS.TRABAJADOS SALARIO.DIARIO.IMSS GENERO
## Min. : 0.00 Min. : 0.00 Min. :151.6 Length:78
## 1st Qu.:22.25 1st Qu.: 9.00 1st Qu.:180.7 Class :character
## Median :30.00 Median : 19.00 Median :180.7 Mode :character
## Mean :30.50 Mean : 45.10 Mean :174.3
## 3rd Qu.:36.00 3rd Qu.: 39.75 3rd Qu.:180.7
## Max. :52.00 Max. :730.00 Max. :183.7
## Clusters Cluster_Names
## Min. :1.000 Bajo : 1
## 1st Qu.:3.000 Promedio :17
## Median :4.000 Arriba del prom: 8
## Mean :3.423 Alto :52
## 3rd Qu.:4.000
## Max. :4.000## Agrupar y dar resumen por nombres
rh4 <- rh2%>% group_by (Cluster_Names, GENERO) %>% dplyr:: summarize(DIAS.TRABAJADOS=max(DIAS.TRABAJADOS),
SALARIO.DIARIO.IMSS =mean(SALARIO.DIARIO.IMSS),
Count=n())## `summarise()` has grouped output by 'Cluster_Names'. You can override using the
## `.groups` argument.## Dar formato de tabla para enseñar la información de los clusters
clusters<-as.data.frame(rh4)
clusters## Cluster_Names GENERO DIAS.TRABAJADOS SALARIO.DIARIO.IMSS Count
## 1 Bajo MASCULINO 730 180.6800 1
## 2 Promedio FEMENINO 161 151.6100 10
## 3 Promedio MASCULINO 169 151.6100 7
## 4 Arriba del prom FEMENINO 251 180.0200 6
## 5 Arriba del prom MASCULINO 88 178.7000 2
## 6 Alto FEMENINO 53 180.8151 37
## 7 Alto MASCULINO 33 180.8133 15## Graficar el número de datos observados por nombre de clusterslets
ggplot(rh4,aes(x=reorder(Cluster_Names,Count),y=Count,fill=Cluster_Names)) +
geom_bar(stat="identity")
# De acuerdo a la clasificación de clusters, la gráfica anterior nos muestra el impacto y conteo de cada cluster dependiendo del grupo de baja analizado, es decir, vemos la relación entre días trabajados y salario diario, clasificando el conteo acorde a la cantidad de bajas obtenidas. En este caso, en la gráfica se muestra que aquellos que trabajaron más de 600 días y menos de 1900 días, obtuvieron un salario promedio de $500 pesos diario. Entra en la categoría de ‘bajo’, ya que sólo una persona obtuvo esta descripción. El promedio de las personas dadas de baja trabajaron más de 1900 días y obtuvieron un salario diario de $170 pesos. En la barra de ‘alto’ vemos a aquellos ex-empleados que trabajaron 421 días y tuvieron un salario diario de $150 pesos. Por último, vemos a aquellos ‘arriba del promedio’ y son aquellos que tabajaron un promedio de 455 días y tuvieron un salario diario de $180 pesos. Este último grupo es el que tuvo mayor conteo de personas, es decir, la mayoría de las bajas estuvieron laborando más de un año en FORM y tenían un salario diario de $180 pesos.
## Ver rangos
## Rangos de "días trabajados" por nombre
ggplot(rh4, aes(x=Cluster_Names,y=DIAS.TRABAJADOS,fill= Cluster_Names,label=round(DIAS.TRABAJADOS,digits=2))) +
geom_col() +
geom_text()
# La gráfica anterior nos presenta la cantidad de días trabajados de acuerdo a la clasificación explicada anteriormente de ‘bajo’, ‘promedio’, ‘arriba del promedio’ y ‘alto’. Con esto en mente, vemos que el promedio de los empleados juntaron un total de 1966 días trabajados, siguiéndole el grupo de ‘bajo’, los que laboraron un promedio de 628 días, luego ‘arriba del promedio’ que laboró 455 días y finalmente ‘alto’, que únicamente laboró 421 días. En todos los grupos, vemos que los empleados trabajaron por más de 1 año en FORM y ganaban un salario diario mayor a $150 pesos.
## Rango de "salario diario"
ggplot(rh4,aes(x=Cluster_Names,y=SALARIO.DIARIO.IMSS,fill= Cluster_Names,label=round(SALARIO.DIARIO.IMSS,digits=2))) +
geom_col() +
geom_text()
# La gráfica anterior nos presenta la relación entre el salario diario IMSS y la clasificación explicada anteriormente de ‘bajo’, ‘promedio’, ‘arriba del promedio’ y ‘alto’. Con esto en mente, vemos que el segmento ‘bajo’ es el que tenía un salario más alto que la mayoría. El promedio ganaba un salario diario de $170,79 pesos, ‘arriba del promedio’ ganaba $180,54 pesos y el segmento ‘alto’ gabana un promedio de $151,61 pesos de salario diario. Esto denota una variabilidad alta y podemos suponer que esto se debía de acuerdo a las responsabilidades y puestos analizados.
## Dispersión de "días trabajados"
ggplot(rh2, aes(x=Cluster_Names, y=DIAS.TRABAJADOS, fill=Cluster_Names)) +
geom_boxplot()+
ggtitle("Dispersión of 'Días trabajados' by Clusters Names")
# La gráfica anterior explica la dispersión de días trabajados de acuerdo a la clasificación explicada anteriormente de ‘bajo’, ‘promedio’, ‘arriba del promedio’ y ‘alto’. Con esto en mente, vemos que el grupo con mayor dispersión es ‘promedio’, pues hay una variabilidad más significativa en los datos de la cantidad de días trabajados, destacando la media de días trabajados, es decir, 1000 días. En el caso de ‘bajo’, hay una dispersión baja y poco variable. Para ‘arriba del promedio’, vemos que los puntos atípicos se salen del boxplot específico, lo cual quitarlos nos puede dar mayor claridad y visibilidad de la información. Para ‘alto’ se muestra una dispersión menor a ‘promedio’ y al igual que ‘arriba del promedio’, tiene aparición de puntos atípicos.
## Dispersión de "salario diario"
ggplot(rh2, aes(x=Cluster_Names, y=SALARIO.DIARIO.IMSS, fill=Cluster_Names)) +
geom_boxplot()+
ggtitle("Dispersion of 'Salario_Diario' by Clusters Names")
# La gráfica anterior explica la dispersión de salario diario de acuerdo a la clasificación explicada anteriormente de ‘bajo’, ‘promedio’, ‘arriba del promedio’ y ‘alto’. ‘Bajo’ muestra un salario diario de $500 pesos, ‘promedio’ muestra un salario de $180 pesos aprox y puntos atípicos que podrían insinuar un salario menor, ‘arriba del promedio’ también muestra puntos atípicos. Sin embargo, todos se mantienen al igual que el dato anterior entre $170 y $180 pesos de salario diario, Finalmente, ‘alto’ muestra un salario diario abajo del promedio de aprox. $140 pesos.
## Cluster 2
## Importar base de datos.
rhCluster2<-read.csv("HR_Bajas 2.csv")
summary(rhCluster2)## NO.DE.BAJAS APELLIDOS NOMBRE FECHA.DE.NACIMIENTO
## Min. : 5.00 Length:78 Length:78 Min. :25585
## 1st Qu.: 49.75 Class :character Class :character 1st Qu.:31751
## Median :167.50 Mode :character Mode :character Median :33797
## Mean :139.60 Mean :33611
## 3rd Qu.:212.75 3rd Qu.:36519
## Max. :238.00 Max. :44632
## EDAD GENERO FECHA.DE.ALTA MOTIVO.DE.BAJA
## Min. : 0.00 Length:78 Min. :43961 Length:78
## 1st Qu.:22.25 Class :character 1st Qu.:44567 Class :character
## Median :30.00 Mode :character Median :44726 Mode :character
## Mean :30.50 Mean :44664
## 3rd Qu.:36.00 3rd Qu.:44759
## Max. :52.00 Max. :44790
## DIAS.TRABAJADOS BAJA PUESTO DEPARTAMENTO
## Min. : 0.00 Min. :44569 Length:78 Length:78
## 1st Qu.: 9.00 1st Qu.:44613 Class :character Class :character
## Median : 19.00 Median :44741 Mode :character Mode :character
## Mean : 45.10 Mean :44709
## 3rd Qu.: 39.75 3rd Qu.:44784
## Max. :730.00 Max. :44814
## NO.SEGURO.SOCIAL SALARIO.DIARIO.IMSS FACTOR.CRED.INFONAVIT
## Length:78 Min. :151.6 Min. : 0.0
## Class :character 1st Qu.:180.7 1st Qu.: 0.0
## Mode :character Median :180.7 Median : 0.0
## Mean :174.3 Mean : 130.4
## 3rd Qu.:180.7 3rd Qu.: 0.0
## Max. :183.7 Max. :2795.3
## NO.CREDITO.INFONAVIT LUGAR.DE.NACIMIENTO CURP CALLE
## Min. :0.000e+00 Length:78 Length:78 Length:78
## 1st Qu.:0.000e+00 Class :character Class :character Class :character
## Median :0.000e+00 Mode :character Mode :character Mode :character
## Mean :1.871e+08
## 3rd Qu.:0.000e+00
## Max. :6.919e+09
## NUMERO.INTERNO COLONIA CODIGO.POSTAL MUNICIPIO
## Length:78 Length:78 Min. :25019 Length:78
## Class :character Class :character 1st Qu.:33604 Class :character
## Mode :character Mode :character Median :33604 Mode :character
## Mean :46508
## 3rd Qu.:66645
## Max. :67450
## ESTADO ESTADO.CIVIL TARJETA.CUENTA
## Length:78 Length:78 Length:78
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
## str(rhCluster2)## 'data.frame': 78 obs. of 26 variables:
## $ NO.DE.BAJAS : int 5 6 7 8 9 11 12 16 19 20 ...
## $ APELLIDOS : chr "BERNAL FLORES" "SAUCEDO GUZMAN" "MEZA LLANAS" "TORRES LARA" ...
## $ NOMBRE : chr "ERIKA ROSALINDA" "GUADALUPE" "YOANA CRISTINA" "CESAR ANTONIO" ...
## $ FECHA.DE.NACIMIENTO : int 33997 28106 34174 33491 26422 36970 32443 37872 37512 36915 ...
## $ EDAD : int 29 46 29 31 50 21 34 19 20 21 ...
## $ GENERO : chr "FEMENINO" "FEMENINO" "FEMENINO" "MASCULINO" ...
## $ FECHA.DE.ALTA : int 44518 44532 44532 44538 44551 44531 44532 44488 44541 44546 ...
## $ MOTIVO.DE.BAJA : chr "RENUNCIA VOLUNTARIA" "BAJA POR FALTAS" "BAJA POR FALTAS" "BAJA POR FALTAS" ...
## $ DIAS.TRABAJADOS : int 51 37 37 31 18 40 39 86 33 28 ...
## $ BAJA : int 44569 44569 44569 44569 44569 44571 44571 44574 44574 44574 ...
## $ PUESTO : chr "AYUDANTE GENERAL" "AYUDANTE GENERAL" "AYUDANTE GENERAL" "AYUDANTE GENERAL" ...
## $ DEPARTAMENTO : chr "VARIOS" "VARIOS" "VARIOS" "VARIOS" ...
## $ NO.SEGURO.SOCIAL : chr "43109363747" "43937683647" "43099330201" "43099151714" ...
## $ SALARIO.DIARIO.IMSS : num 152 152 152 152 152 ...
## $ FACTOR.CRED.INFONAVIT: num 0 1320 0 0 0 ...
## $ NO.CREDITO.INFONAVIT : num 0.00 1.92e+09 0.00 0.00 0.00 ...
## $ LUGAR.DE.NACIMIENTO : chr "NUEVO LEON" "NUEVO LEON" "NUEVO LEON" "NUEVO LEON" ...
## $ CURP : chr "BEFE930128MNLRLR05" "SAGG761212MNLCZD08" "MELY930724MNLZLN01" "TOLC910910HNLRRS09" ...
## $ CALLE : chr "JULIAN VILLAGRAN" "PAPAGAYOS" "RIO AMANONAS" "PALMERA" ...
## $ NUMERO.INTERNO : chr "452" "220" "300" "104" ...
## $ COLONIA : chr "REFORMA" "GOLONDRINAS" "PUEBLO NUEVO" "MIRADOR DEL PARQUE" ...
## $ CODIGO.POSTAL : int 66640 66649 66646 67254 67114 66645 66646 66646 66645 66646 ...
## $ MUNICIPIO : chr "APODACA" "APODACA" "APODACA" "JUAREZ" ...
## $ ESTADO : chr "NUEVO LEON" "NUEVO LEON" "NUEVO LEON" "NUEVO LEON" ...
## $ ESTADO.CIVIL : chr "SOLTERO/A" "SOLTERO/A" "UNION LIBRE" "UNION LIBRE" ...
## $ TARJETA.CUENTA : chr "BANORTE" "BANORTE" "BANORTE" "BANORTE" ...## Exportar 'k-means' en edad por años
humanos5<-rhCluster2 %>% select(EDAD,DIAS.TRABAJADOS,SALARIO.DIARIO.IMSS,ESTADO.CIVIL)
summary(humanos5)## EDAD DIAS.TRABAJADOS SALARIO.DIARIO.IMSS ESTADO.CIVIL
## Min. : 0.00 Min. : 0.00 Min. :151.6 Length:78
## 1st Qu.:22.25 1st Qu.: 9.00 1st Qu.:180.7 Class :character
## Median :30.00 Median : 19.00 Median :180.7 Mode :character
## Mean :30.50 Mean : 45.10 Mean :174.3
## 3rd Qu.:36.00 3rd Qu.: 39.75 3rd Qu.:180.7
## Max. :52.00 Max. :730.00 Max. :183.7## Normalizar los datos
rhCluster_norm<-scale(humanos5[1:2])
## Calcular número de clusters
fviz_nbclust(rhCluster_norm, kmeans, method="wss")+ # wss method considers total within sum of square
geom_vline(xintercept=4, linetype=2)+ # optimal number of clusters is computed with the default method = "euclidean"
labs(subtitle = "Elbow method")
## Ver datos de los clusters
rh_cluster2<-kmeans(rh1_norm,4)
rh_cluster2## K-means clustering with 4 clusters of sizes 1, 17, 8, 52
##
## Cluster means:
## DIAS.TRABAJADOS SALARIO.DIARIO.IMSS
## 1 7.5323951 0.5246350
## 2 0.2712304 -1.8780410
## 3 0.6353722 0.4428101
## 4 -0.3312748 0.5357612
##
## Clustering vector:
## [1] 2 2 2 2 2 2 2 2 2 2 2 2 4 4 4 4 4 4 4 3 2 4 2 2 2 2 4 4 4 4 4 4 4 4 4 4 4 4
## [39] 4 4 4 4 4 4 4 3 4 4 3 3 3 1 4 4 3 4 4 4 4 4 4 4 4 4 4 4 4 3 3 4 4 4 4 4 4 4
## [77] 4 4
##
## Within cluster sum of squares by cluster:
## [1] 0.000000 6.019937 3.270968 1.055662
## (between_SS / total_SS = 93.3 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"## Visualizar clustering
fviz_cluster(rh_cluster2,data=rhCluster_norm)
# La gráfica anterior muestra 4 clusters que analizan la relación entre edad y días trabajados. El cluster verde muestra que un alto número de personas tabajaba más días que el promedio y tenía una edad similar al promedio. El punto naranja muestra que pocos usuarios trabajaban más días que el promedio y al igual que el punto anterior, tenían una edad promedio. En el caso del punto azul y el morado, ambos muestran que un mayor grupo de personas laboraba ‘2 días’, pero tenía mayor variabilidad en la edad.
## Agregar la información al dataset original
humanos6<-humanos5
humanos6$Clusters<-rh_cluster2$cluster
summary(humanos6)## EDAD DIAS.TRABAJADOS SALARIO.DIARIO.IMSS ESTADO.CIVIL
## Min. : 0.00 Min. : 0.00 Min. :151.6 Length:78
## 1st Qu.:22.25 1st Qu.: 9.00 1st Qu.:180.7 Class :character
## Median :30.00 Median : 19.00 Median :180.7 Mode :character
## Mean :30.50 Mean : 45.10 Mean :174.3
## 3rd Qu.:36.00 3rd Qu.: 39.75 3rd Qu.:180.7
## Max. :52.00 Max. :730.00 Max. :183.7
## Clusters
## Min. :1.000
## 1st Qu.:3.000
## Median :4.000
## Mean :3.423
## 3rd Qu.:4.000
## Max. :4.000## Crear dataset
humanos7<-humanos6 %>% group_by(Clusters, ESTADO.CIVIL) %>% summarise(EDAD=max(EDAD),DIAS.TRABAJADOS=mean(DIAS.TRABAJADOS)) %>% arrange(desc(EDAD))## `summarise()` has grouped output by 'Clusters'. You can override using the
## `.groups` argument.summary(humanos7)## Clusters ESTADO.CIVIL EDAD DIAS.TRABAJADOS
## Min. :1.000 Length:11 Min. :27.00 Min. : 12.71
## 1st Qu.:2.000 Class :character 1st Qu.:32.00 1st Qu.: 23.83
## Median :3.000 Mode :character Median :35.00 Median : 76.44
## Mean :2.818 Mean :39.27 Mean :129.20
## 3rd Qu.:3.500 3rd Qu.:48.50 3rd Qu.:115.00
## Max. :4.000 Max. :52.00 Max. :730.00## Agrupar clusters por nombre
humanos6$Cluster_Names<-factor(humanos6$Clusters,levels = c(1,2,3,4),
labels=c("Joven", "Avanzado ", " Adulto", "Jubilado"))
summary(humanos6)## EDAD DIAS.TRABAJADOS SALARIO.DIARIO.IMSS ESTADO.CIVIL
## Min. : 0.00 Min. : 0.00 Min. :151.6 Length:78
## 1st Qu.:22.25 1st Qu.: 9.00 1st Qu.:180.7 Class :character
## Median :30.00 Median : 19.00 Median :180.7 Mode :character
## Mean :30.50 Mean : 45.10 Mean :174.3
## 3rd Qu.:36.00 3rd Qu.: 39.75 3rd Qu.:180.7
## Max. :52.00 Max. :730.00 Max. :183.7
## Clusters Cluster_Names
## Min. :1.000 Joven : 1
## 1st Qu.:3.000 Avanzado :17
## Median :4.000 Adulto : 8
## Mean :3.423 Jubilado :52
## 3rd Qu.:4.000
## Max. :4.000# Entre más joven, más días trabajados.
## Agrupar por clusters y resumir columnas
humanos8 <- humanos6 %>% group_by(Cluster_Names, ESTADO.CIVIL) %>% dplyr:: summarize(EDAD=max(EDAD),
DIAS.TRABAJADOS =mean(DIAS.TRABAJADOS),
Count=n())## `summarise()` has grouped output by 'Cluster_Names'. You can override using the
## `.groups` argument.## Convertir a tabla
clusters2<-as.data.frame(humanos8)
clusters2## Cluster_Names ESTADO.CIVIL EDAD DIAS.TRABAJADOS Count
## 1 Joven DIVORCIADO/A 32 730.00000 1
## 2 Avanzado CASADO/A 28 155.00000 2
## 3 Avanzado SOLTERO/A 50 76.44444 9
## 4 Avanzado UNION LIBRE 35 31.33333 6
## 5 Adulto CASADO/A 45 142.00000 3
## 6 Adulto DIVORCIADO/A 33 87.00000 1
## 7 Adulto SOLTERO/A 27 67.00000 2
## 8 Adulto UNION LIBRE 32 88.00000 2
## 9 Jubilado CASADO/A 51 16.33333 18
## 10 Jubilado SOLTERO/A 52 15.35000 20
## 11 Jubilado UNION LIBRE 47 12.71429 14## Visualizar gráficos
## Ver los días trabajados en general junto con la edad
ggplot(humanos8,aes(x=reorder(Cluster_Names,Count),y=Count,fill=Cluster_Names)) +
geom_bar(stat="identity")
# La gráfica anterior nos muestra la cantidad de días trabajados de acuerdo a la edad de los empleados. En este caso, vemos que el grupo de edad ‘joven’ tenían aprox. 31 años y representa un bajo porcentaje de los empleados. Para ‘avanzado’ son los empleados que tienen arriba de 32 años y laboraron la mayor cantidad de días (1067). Para ‘jubilado’, son las personas con un aprox. de 50 años y que laboraron durante 102 días. Finalmente, para el grupo de ‘adulto’ (el más elevado), son aquellos que laboraron un promedio de 44 días y tienen la edad de 52 años.
## Días trabajados por nombre de clusters
ggplot(humanos8, aes(x=Cluster_Names,y=DIAS.TRABAJADOS,fill= Cluster_Names,label=round(DIAS.TRABAJADOS,digits=2))) +
geom_col() +
geom_text()
# La gráfica anterior nos muestra la cantidad de días trabajados de acuerdo a los días trabajados. En este caso, esto nos muestra que el grupo con mayor bajas fueron del segmento ‘adulto’ y es el que laboró en promedio un menor número de días contra ‘avanzado’ que es el segundo grupo más bajo y laboró el mayor número de días en promedio.
## Edad por nombre de clusters
ggplot(humanos8,aes(x=Cluster_Names,y=EDAD,fill= Cluster_Names,label=round(EDAD,digits=2))) +
geom_col() +
geom_text()
# La gráfica anterior nos muestra la edad promedio de cada uno de los grupos. Como explicamos anteriormente, se muestra que ‘adulto’ es el de empleados con mayor edad y ‘joven’ es el de personas de menor edad.
### Dias trabajados por nombre de clusters
ggplot(humanos8, aes(x=Cluster_Names,y=DIAS.TRABAJADOS,fill= Cluster_Names,label=round(DIAS.TRABAJADOS,digits=2))) +
geom_col() +
geom_text()
#La gráfica anterior nos muestra la cantidad de días trabajados de acuerdo a los días trabajados. En este caso, esto nos muestra que el grupo con mayor bajas fueron del segmento 'adulto' y es el que laboró en promedio un menor número de días contra 'avanzado' que es el segundo grupo más bajo y laboró el mayor número de días en promedio.
### Edad por nombre de clusters
ggplot(humanos8,aes(x=Cluster_Names,y=EDAD,fill= Cluster_Names,label=round(EDAD,digits=2))) +
geom_col() +
geom_text()
# La gráfica anterior nos muestra la edad promedio de cada uno de los grupos. Como explicamos anteriormente, se muestra que 'adulto' es el de empleados con mayor edad y 'joven' es el de personas de menor edad.
## Días trabajados por nombre de clusters
ggplot(humanos6, aes(x=Cluster_Names, y=EDAD, fill=Cluster_Names)) +
geom_boxplot()+
ggtitle("Dispersion of 'Edad' by Clusters Names")
# La gráfica anterior nos muestra la dispersión de acuerdo a la edad de los empleados. En el caso de ‘adulto’, tiene una gran cantidad de puntos atípicos lo cual indica que hay datos fuera de serie. En el caso de ‘jubilado’, vemos que es el grupo con mayor dispersión, mostrando datos de edad entre 25 y 32 años.
## Salario diario por nombre de clusters
ggplot(humanos6, aes(x=Cluster_Names, y=DIAS.TRABAJADOS, fill=Cluster_Names)) +
geom_boxplot()+
ggtitle("Dispersion of 'Dias_Trabajados' by Clusters Names")
# La gráfica anterior muestra la dispersión de acuerdo a días trabajados y los grupos anterior explicados. Vemos que ‘avanzado’ es el gurpo con mayor dispersión, mostrando que el promedio de los empleados laboraron entre 550 y 1300 días. Es el grupo con mayor número de empleados que trabajaron en este periodo de tiempo. En el caso de ‘adulto’ y ‘jubilado’, son aquellos grupos que muestran una dispersión baja y una variedad de puntos atípicos, mientras que ‘joven’ destaca una baja dispersión y una media de más de 500 días trabajados.7.1 Predicción
library(TSstudio)
### Llamar base de datos
Companies <-read.csv("externa_bd1 csv1.csv")
summary(Companies)## Geography Category Data.Type Unit
## Length:89 Length:89 Length:89 Length:89
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Current.Constant X2016 X2017 X2018
## Length:89 Min. : 0 Min. : 0 Min. : 0
## Class :character 1st Qu.: 421 1st Qu.: 432 1st Qu.: 527
## Mode :character Median : 4383 Median : 4804 Median : 5063
## Mean : 939400 Mean : 993634 Mean : 1193476
## 3rd Qu.: 37794 3rd Qu.: 38307 3rd Qu.: 40769
## Max. :25902010 Max. :27472550 Max. :35218716
## X2019 X2020 X2021
## Min. : 0 Min. : 0 Min. : 0
## 1st Qu.: 529 1st Qu.: 548 1st Qu.: 607
## Median : 4849 Median : 5020 Median : 5477
## Mean : 1376491 Mean : 1554963 Mean : 1904399
## 3rd Qu.: 43779 3rd Qu.: 44564 3rd Qu.: 51280
## Max. :39310235 Max. :41193660 Max. :63857942### 1. Limpieza, Transformación y Organización de Bases de Datos
str(Companies)## 'data.frame': 89 obs. of 11 variables:
## $ Geography : chr "Azerbaijan" "Bangladesh" "Cambodia" "China" ...
## $ Category : chr "Corrugated Paper, Paperboard and Containers" "Corrugated Paper, Paperboard and Containers" "Corrugated Paper, Paperboard and Containers" "Corrugated Paper, Paperboard and Containers" ...
## $ Data.Type : chr "Production (turnover) MSP" "Production (turnover) MSP" "Production (turnover) MSP" "Production (turnover) MSP" ...
## $ Unit : chr "AZN million" "BDT million" "KHR million" "CNY million" ...
## $ Current.Constant: chr "Current Prices" "Current Prices" "Current Prices" "Current Prices" ...
## $ X2016 : num 40.6 115106.8 247100 309386.9 212.1 ...
## $ X2017 : num 44.6 135423.7 257700 301286.2 212.7 ...
## $ X2018 : num 47.3 156788.3 299500 317612.9 217.5 ...
## $ X2019 : num 52.2 180445.4 314000 310925.3 216.8 ...
## $ X2020 : num 51.5 198883.5 281100 312534.7 196.7 ...
## $ X2021 : num 66.1 222755.3 285994.4 344612.2 191.4 ...describe(Companies)## # A tibble: 6 × 26
## describ…¹ n na mean sd se_mean IQR skewn…² kurto…³ p00 p01
## <chr> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 X2016 89 0 9.39e5 4.18e6 443039. 37374. 5.19 27.1 0 20.7
## 2 X2017 89 0 9.94e5 4.40e6 466639. 37875. 5.12 26.3 0 20.7
## 3 X2018 89 0 1.19e6 5.40e6 572440. 40242. 5.28 28.3 0 23.1
## 4 X2019 89 0 1.38e6 6.29e6 667194. 43250. 5.19 26.7 0 24.0
## 5 X2020 89 0 1.55e6 7.16e6 759409. 44016. 5.08 24.9 0 20.1
## 6 X2021 89 0 1.90e6 9.14e6 968737. 50673. 5.53 31.3 0 23.8
## # … with 15 more variables: p05 <dbl>, p10 <dbl>, p20 <dbl>, p25 <dbl>,
## # p30 <dbl>, p40 <dbl>, p50 <dbl>, p60 <dbl>, p70 <dbl>, p75 <dbl>,
## # p80 <dbl>, p90 <dbl>, p95 <dbl>, p99 <dbl>, p100 <dbl>, and abbreviated
## # variable names ¹described_variables, ²skewness, ³kurtosis#### Nota: Debido a la versión de R, nos deja descargar el paquete "psych". Sin embargo, no nos deja llamar a la librería "psych", por lo tanto utilizamos str, para obtener el numero de las variables de la base de datos.
### 2. Clasificación de variables
#### Realizamos una tabla para poder clasificar cada una de las variables de la base de Datos bd1
Variable<-c("Geography","Category","Data.Type", "Unit","Current Constant","Years")
Type<-c("Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa", "Cuantitativa (Continua)")
table<-data.frame(Variable,Type)
knitr::kable(table)| Variable | Type |
|---|---|
| Geography | Cualitativa |
| Category | Cualitativa |
| Data.Type | Cualitativa |
| Unit | Cualitativa |
| Current Constant | Cualitativa |
| Years | Cuantitativa (Continua) |
### 3. Escala de Medición
#Realizamos una tabla donde viene clasificado cada variable y agregamos una columna con la escala de medición para cada variable.
Variable<-c("Geography","Category","Data.Type", "Unit","Current Constant","Years")
Type<-c("Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa", "Cuantitativa (Continua)")
Escala_de_Medición <- c("Países", "Producto", "Departamento","Tipo de Moneda", "Precio actual", "Ganancia (Razon)")
table<-data.frame(Variable,Type,Escala_de_Medición)
knitr::kable(table)| Variable | Type | Escala_de_Medición |
|---|---|---|
| Geography | Cualitativa | Países |
| Category | Cualitativa | Producto |
| Data.Type | Cualitativa | Departamento |
| Unit | Cualitativa | Tipo de Moneda |
| Current Constant | Cualitativa | Precio actual |
| Years | Cuantitativa (Continua) | Ganancia (Razon) |
### 4. Limpieza de datos
#### La primer tecnica de limpieza que utilizamos fue, eliminar columnas debido a que contabamos con datos los cuales no eran relevantes para el análisis.
#### La segunda herramienta de limpieza que utilizamos para la visulización de los datos fue implementar una nueva columna como el total de la Producción de las variables que se producen por país.
### Remover Valores Irrelevantes
#### Eliminar columnas
bd1 <- Companies
bd1<-subset(bd1,select=-c(Category,Data.Type,Current.Constant))
str(bd1)## 'data.frame': 89 obs. of 8 variables:
## $ Geography: chr "Azerbaijan" "Bangladesh" "Cambodia" "China" ...
## $ Unit : chr "AZN million" "BDT million" "KHR million" "CNY million" ...
## $ X2016 : num 40.6 115106.8 247100 309386.9 212.1 ...
## $ X2017 : num 44.6 135423.7 257700 301286.2 212.7 ...
## $ X2018 : num 47.3 156788.3 299500 317612.9 217.5 ...
## $ X2019 : num 52.2 180445.4 314000 310925.3 216.8 ...
## $ X2020 : num 51.5 198883.5 281100 312534.7 196.7 ...
## $ X2021 : num 66.1 222755.3 285994.4 344612.2 191.4 ...#### Agregar Columnas
bd1$Total_Produccion<- bd1$X2016+bd1$X2017+bd1$X2018+bd1$X2019+bd1$X2020+bd1$X2021
bd1$Promedio_X2021<- mean(bd1$X2021)
summary(bd1)## Geography Unit X2016 X2017
## Length:89 Length:89 Min. : 0 Min. : 0
## Class :character Class :character 1st Qu.: 421 1st Qu.: 432
## Mode :character Mode :character Median : 4383 Median : 4804
## Mean : 939400 Mean : 993634
## 3rd Qu.: 37794 3rd Qu.: 38307
## Max. :25902010 Max. :27472550
## X2018 X2019 X2020 X2021
## Min. : 0 Min. : 0 Min. : 0 Min. : 0
## 1st Qu.: 527 1st Qu.: 529 1st Qu.: 548 1st Qu.: 607
## Median : 5063 Median : 4849 Median : 5020 Median : 5477
## Mean : 1193476 Mean : 1376491 Mean : 1554963 Mean : 1904399
## 3rd Qu.: 40769 3rd Qu.: 43779 3rd Qu.: 44564 3rd Qu.: 51280
## Max. :35218716 Max. :39310235 Max. :41193660 Max. :63857942
## Total_Produccion Promedio_X2021
## Min. : 0 Min. :1904399
## 1st Qu.: 3166 1st Qu.:1904399
## Median : 30333 Median :1904399
## Mean : 7962363 Mean :1904399
## 3rd Qu.: 254492 3rd Qu.:1904399
## Max. :204523302 Max. :1904399str(bd1)## 'data.frame': 89 obs. of 10 variables:
## $ Geography : chr "Azerbaijan" "Bangladesh" "Cambodia" "China" ...
## $ Unit : chr "AZN million" "BDT million" "KHR million" "CNY million" ...
## $ X2016 : num 40.6 115106.8 247100 309386.9 212.1 ...
## $ X2017 : num 44.6 135423.7 257700 301286.2 212.7 ...
## $ X2018 : num 47.3 156788.3 299500 317612.9 217.5 ...
## $ X2019 : num 52.2 180445.4 314000 310925.3 216.8 ...
## $ X2020 : num 51.5 198883.5 281100 312534.7 196.7 ...
## $ X2021 : num 66.1 222755.3 285994.4 344612.2 191.4 ...
## $ Total_Produccion: num 302 1009403 1685394 1896358 1247 ...
## $ Promedio_X2021 : num 1904399 1904399 1904399 1904399 1904399 ...#### ¿Cuántos NA's tengo en la base de datos?
sum(is.na(bd1))## [1] 0#### Nota: Se eliminan Category, Data.Type y Current.Constant, ya que no nos sirven, debido a que es el mismo dato para todos los registros y es algo que no nos aporta alguna información.
### 5. Análisis Exploratorio de las Bases de Datos
describe(bd1)## # A tibble: 8 × 26
## descr…¹ n na mean sd se_mean IQR skewn…² kurto…³ p00 p01
## <chr> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 X2016 89 0 9.39e5 4.18e6 4.43e5 3.74e4 5.19 27.1 0 2.07e1
## 2 X2017 89 0 9.94e5 4.40e6 4.67e5 3.79e4 5.12 26.3 0 2.07e1
## 3 X2018 89 0 1.19e6 5.40e6 5.72e5 4.02e4 5.28 28.3 0 2.31e1
## 4 X2019 89 0 1.38e6 6.29e6 6.67e5 4.33e4 5.19 26.7 0 2.40e1
## 5 X2020 89 0 1.55e6 7.16e6 7.59e5 4.40e4 5.08 24.9 0 2.01e1
## 6 X2021 89 0 1.90e6 9.14e6 9.69e5 5.07e4 5.53 31.3 0 2.38e1
## 7 Total_… 89 0 7.96e6 3.60e7 3.82e6 2.51e5 5.03 24.4 0 1.51e2
## 8 Promed… 89 0 1.90e6 0 0 0 NaN NaN 1.90e6 1.90e6
## # … with 15 more variables: p05 <dbl>, p10 <dbl>, p20 <dbl>, p25 <dbl>,
## # p30 <dbl>, p40 <dbl>, p50 <dbl>, p60 <dbl>, p70 <dbl>, p75 <dbl>,
## # p80 <dbl>, p90 <dbl>, p95 <dbl>, p99 <dbl>, p100 <dbl>, and abbreviated
## # variable names ¹described_variables, ²skewness, ³kurtosis# En el análisis descriptivo se muestran los valores promedio del total de producciones de 2016 a 2021.
### Tabla de Frecuencia
bd2 <- table(bd1$Unit)
bd2 <- prop.table(bd2)
bd2##
## AED million AOA million ARS million AUD million AZN million BDT million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596
## BGN million BRL million BYR million CAD million CHF million CLP million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596
## CNY million COP million CRC million CUC million CZK million DKK million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596
## DOP million DZD million EGP million ETB million EUR million GBP million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.20224719 0.01123596
## GEL million GHS million HKD million HRK million HuF million IDR million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596
## ILS million INR million IQD million IRR million ISK million JPY million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596
## KES million KHR million KRW million KWD million KZT million LKR million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596
## MAD million MXN million MYR million NGN million NOK million NZD million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596
## PAB million PEN million PHP million PKR million PLN million QAR million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596
## RON million RUB million SAR million SEK million SGD million THB million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596
## TND million TRY million TWD million UAH million USD million UYU million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.03370787 0.01123596
## UZS million VND million XAF million ZAR million
## 0.01123596 0.01123596 0.01123596 0.01123596### Tabla cruzada
table(bd1$Unit, bd1$Promedio_X2021)##
## 1904399.38539326
## AED million 1
## AOA million 1
## ARS million 1
## AUD million 1
## AZN million 1
## BDT million 1
## BGN million 1
## BRL million 1
## BYR million 1
## CAD million 1
## CHF million 1
## CLP million 1
## CNY million 1
## COP million 1
## CRC million 1
## CUC million 1
## CZK million 1
## DKK million 1
## DOP million 1
## DZD million 1
## EGP million 1
## ETB million 1
## EUR million 18
## GBP million 1
## GEL million 1
## GHS million 1
## HKD million 1
## HRK million 1
## HuF million 1
## IDR million 1
## ILS million 1
## INR million 1
## IQD million 1
## IRR million 1
## ISK million 1
## JPY million 1
## KES million 1
## KHR million 1
## KRW million 1
## KWD million 1
## KZT million 1
## LKR million 1
## MAD million 1
## MXN million 1
## MYR million 1
## NGN million 1
## NOK million 1
## NZD million 1
## PAB million 1
## PEN million 1
## PHP million 1
## PKR million 1
## PLN million 1
## QAR million 1
## RON million 1
## RUB million 1
## SAR million 1
## SEK million 1
## SGD million 1
## THB million 1
## TND million 1
## TRY million 1
## TWD million 1
## UAH million 1
## USD million 3
## UYU million 1
## UZS million 1
## VND million 1
## XAF million 1
## ZAR million 1# La tabla nos muestra la cantidad promedio en millones producida en 2021 por cada unidad monetaria. En este caso, vemos que en 2021 se produjo en promedio más de 1MM de "currencies" (no se puede definir una unidad monetaria específica debido a que estamos ponderando distintas monedas internacionales). Conforme se analiza la tabla, vemos que el euro generó 18 veces el promedio de producción de cartón estimado para 2021, es decir, es la moneda internacional que más produjo cartón a nivel internacional en 2021. La siguiente moneda con mayor capacidad de producción fue USD millions.
### Gráficas de datos Cualitativas y Cuantitativas
#### Cualitativa con Unit
barplot(bd2, xlab='Tipo de Moneda',
ylab='Frecuencia Relativa', las=1)
# La gráfica nos muestra que de acuerdo a la frecuencia relativa de producción, Indonesia es la unidad monetaria que más cartón ha entregado.
#### Cuantitativa con Total_Produccion
bd3 <- bd1
aggregate(x=bd3$Total_Produccion, by=list(bd3$Geography),FUN=sum)## Group.1 x
## 1 Algeria 26366.2
## 2 Angola 4172.7
## 3 Argentina 757754.2
## 4 Australia 21642.9
## 5 Austria 10233.5
## 6 Azerbaijan 302.3
## 7 Bangladesh 1009403.0
## 8 Belarus 2931.2
## 9 Belgium 6339.5
## 10 Brazil 129369.8
## 11 Bulgaria 3166.2
## 12 Cambodia 1685394.4
## 13 Cameroon 197101.1
## 14 Canada 78979.4
## 15 Chile 6391369.9
## 16 China 1896358.2
## 17 Colombia 15542263.1
## 18 Costa Rica 967034.3
## 19 Croatia 8719.9
## 20 Cuba 619.6
## 21 Cyprus 171.5
## 22 Czech Republic 178808.7
## 23 Denmark 32238.2
## 24 Dominican Republic 37293.6
## 25 Ecuador 949.5
## 26 Egypt 96033.6
## 27 Estonia 387.5
## 28 Ethiopia 5442.2
## 29 Finland 2612.9
## 30 France 33450.4
## 31 Georgia 194.3
## 32 Germany 77218.5
## 33 Ghana 673.7
## 34 Greece 2573.7
## 35 Hong Kong, China 1247.2
## 36 Hungary 1504747.7
## 37 Iceland 5561.8
## 38 India 2264525.5
## 39 Indonesia 204523301.8
## 40 Iran 186021771.8
## 41 Iraq 11680.2
## 42 Ireland 1873.4
## 43 Israel 22710.5
## 44 Italy 50972.2
## 45 Japan 15807772.3
## 46 Kazakhstan 203941.1
## 47 Kenya 112343.7
## 48 Kuwait 251.3
## 49 Latvia 463.0
## 50 Lithuania 1775.1
## 51 Luxembourg 0.0
## 52 Malaysia 23655.6
## 53 Mexico 738215.0
## 54 Morocco 16625.1
## 55 Netherlands 13921.1
## 56 New Zealand 7644.6
## 57 Nigeria 206027.0
## 58 Norway 11525.8
## 59 Pakistan 628812.7
## 60 Panama 221.3
## 61 Peru 5083.5
## 62 Philippines 302208.8
## 63 Poland 118115.9
## 64 Portugal 5366.3
## 65 Puerto Rico 537.2
## 66 Qatar 189.5
## 67 Romania 16388.7
## 68 Russia 1590911.6
## 69 Saudi Arabia 36787.1
## 70 Singapore 3636.7
## 71 Slovakia 1317.9
## 72 Slovenia 1137.3
## 73 South Africa 277898.6
## 74 South Korea 59825405.8
## 75 Spain 31015.4
## 76 Sri Lanka 254492.0
## 77 Sweden 60578.6
## 78 Switzerland 5331.3
## 79 Taiwan 615169.6
## 80 Thailand 201398.4
## 81 Tunisia 2715.6
## 82 Turkey 195406.5
## 83 Ukraine 128095.2
## 84 United Arab Emirates 12957.3
## 85 United Kingdom 30332.9
## 86 Uruguay 83173.7
## 87 USA 323594.0
## 88 Uzbekistan 5103054.3
## 89 Vietnam 198028864.1# En la tabla anterior se muestra el total de producción generado por cada país. Haciendo una ponderación de los 5 países que mayor producción de cartón tienen (haciendo un conteo histórico de 2016 a 2021), vemos que se destacan Irán, Vietnam, Corea del Sur, Japón e Indonesia.
hist(log(bd1$Total_Produccion), main = "Histograma de Producción Total", xlab="Producción Total",
ylab="Frecuencia", col="blue1")
# En la gráfica anterior se simboliza la distribución de la muestra respecto a la producción total y la frecuencia de ésta. De acuerdo a la frecuencia total, vemos que se tiene una mayor producción por frecuencia entre 10 y 15, es decir, la producción total es más alta y tiene una frecuencia mayor a 15 que se muestra como el más elevado en el histograma.
### Gráficas de Dispersión
#### Relación Geography con Producción Total
ggplot(bd1, aes(x=Total_Produccion, y=Geography)) +
geom_point(shape=19, size=3) + labs(title = "Relación entre los Países y la Producción Total",caption ="Passport_ProducciónCarton",x="Producción_Total", y="Geography") + theme_classic()
# En la gráfica anterior se muestra la relación entre los países y la producción total. Se ve que hay una dispersión mayor para los países en el centro de la gráfica. Esto significa que hay más irregularidad en la producción total que han generado.
boxplot=subset(bd1,select = -c(Total_Produccion,Geography))
boxplot(bd1$Total_Produccion, main= "Total de producción")
# En la gráfica anterior vemos el total de producción de acuerdo a la geografía. Al igual que la gráfica anterior, hay una correlación mayor acorde al total de producción.
Vol<-ts(boxplot,start=c(2016,1),frequency=12)
ts_plot(Vol,
title = "Desempeño de la Industria Automotriz: Producción de cartón global de 2016 a 2021",
Ytitle = "Unidades en miles",
Xtitle = "Años",
slider = TRUE)# En esta gráfica se ve el desempeño de la industria automotriz de 2016 a 2021. En general, se muestra que el total de producción de cartón a nivel global fue mayor en 2021 contra otros años.
### Predicción del Desempeño de la Industria Automotriz
### Importar base de datos
bd5 <-read.csv("externa_bd2 csv2.csv")
summary(bd5)## Geography Unit Año Produccion
## Length:534 Length:534 Min. :2016 Min. : 0
## Class :character Class :character 1st Qu.:2017 1st Qu.: 501
## Mode :character Mode :character Median :2018 Median : 4826
## Mean :2018 Mean : 1327061
## 3rd Qu.:2020 3rd Qu.: 43907
## Max. :2021 Max. :63857942sum(is.na(bd5))## [1] 0bd5$Total_Produccion<- bd1$X2016+bd1$X2017+bd1$X2018+bd1$X2019+bd1$X2020+bd1$X2021
summary(bd5)## Geography Unit Año Produccion
## Length:534 Length:534 Min. :2016 Min. : 0
## Class :character Class :character 1st Qu.:2017 1st Qu.: 501
## Mode :character Mode :character Median :2018 Median : 4826
## Mean :2018 Mean : 1327061
## 3rd Qu.:2020 3rd Qu.: 43907
## Max. :2021 Max. :63857942
## Total_Produccion
## Min. : 0
## 1st Qu.: 3166
## Median : 30333
## Mean : 7962363
## 3rd Qu.: 254492
## Max. :204523302str(bd5)## 'data.frame': 534 obs. of 5 variables:
## $ Geography : chr "Azerbaijan" "Bangladesh" "Cambodia" "China" ...
## $ Unit : chr "AZN million" "BDT million" "KHR million" "CNY million" ...
## $ Año : int 2016 2016 2016 2016 2016 2016 2016 2016 2016 2016 ...
## $ Produccion : num 40.6 115106.8 247100 309386.9 212.1 ...
## $ Total_Produccion: num 302 1009403 1685394 1896358 1247 ...sum(is.na(bd5))## [1] 0#### Modelos de regresión lineal múltiple
#### Modelos de regresión lineal múltiple: Producción de cartón en 2022 a nivel global
regresion <- lm(Total_Produccion ~ Geography + Unit + Año + Produccion, data=bd5)
summary(regresion)##
## Call:
## lm(formula = Total_Produccion ~ Geography + Unit + Año + Produccion,
## data = bd5)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.765e-06 -9.300e-09 6.000e-10 8.700e-09 3.720e-06
##
## Coefficients: (69 not defined because of singularities)
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.637e+04 1.543e-05 1.709e+09 < 2e-16 ***
## GeographyAngola -2.219e+04 1.719e-07 -1.291e+11 < 2e-16 ***
## GeographyArgentina 7.314e+05 1.719e-07 4.254e+12 < 2e-16 ***
## GeographyAustralia -4.723e+03 1.719e-07 -2.748e+10 < 2e-16 ***
## GeographyAustria -1.613e+04 1.719e-07 -9.384e+10 < 2e-16 ***
## GeographyAzerbaijan -2.606e+04 1.719e-07 -1.516e+11 < 2e-16 ***
## GeographyBangladesh 9.830e+05 1.719e-07 5.718e+12 < 2e-16 ***
## GeographyBelarus -2.343e+04 1.719e-07 -1.363e+11 < 2e-16 ***
## GeographyBelgium -2.003e+04 1.719e-07 -1.165e+11 < 2e-16 ***
## GeographyBrazil 1.030e+05 1.719e-07 5.992e+11 < 2e-16 ***
## GeographyBulgaria -2.320e+04 1.719e-07 -1.350e+11 < 2e-16 ***
## GeographyCambodia 1.659e+06 1.719e-07 9.650e+12 < 2e-16 ***
## GeographyCameroon 1.707e+05 1.719e-07 9.932e+11 < 2e-16 ***
## GeographyCanada 5.261e+04 1.719e-07 3.061e+11 < 2e-16 ***
## GeographyChile 6.365e+06 1.720e-07 3.700e+13 < 2e-16 ***
## GeographyChina 1.870e+06 1.719e-07 1.088e+13 < 2e-16 ***
## GeographyColombia 1.552e+07 1.727e-07 8.984e+13 < 2e-16 ***
## GeographyCosta Rica 9.407e+05 1.719e-07 5.472e+12 < 2e-16 ***
## GeographyCroatia -1.765e+04 1.719e-07 -1.026e+11 < 2e-16 ***
## GeographyCuba -2.575e+04 1.719e-07 -1.498e+11 < 2e-16 ***
## GeographyCyprus -2.619e+04 1.719e-07 -1.524e+11 < 2e-16 ***
## GeographyCzech Republic 1.524e+05 1.719e-07 8.868e+11 < 2e-16 ***
## GeographyDenmark 5.872e+03 1.719e-07 3.416e+10 < 2e-16 ***
## GeographyDominican Republic 1.093e+04 1.719e-07 6.356e+10 < 2e-16 ***
## GeographyEcuador -2.542e+04 1.719e-07 -1.478e+11 < 2e-16 ***
## GeographyEgypt 6.967e+04 1.719e-07 4.053e+11 < 2e-16 ***
## GeographyEstonia -2.598e+04 1.719e-07 -1.511e+11 < 2e-16 ***
## GeographyEthiopia -2.092e+04 1.719e-07 -1.217e+11 < 2e-16 ***
## GeographyFinland -2.375e+04 1.719e-07 -1.382e+11 < 2e-16 ***
## GeographyFrance 7.084e+03 1.719e-07 4.121e+10 < 2e-16 ***
## GeographyGeorgia -2.617e+04 1.719e-07 -1.522e+11 < 2e-16 ***
## GeographyGermany 5.085e+04 1.719e-07 2.958e+11 < 2e-16 ***
## GeographyGhana -2.569e+04 1.719e-07 -1.495e+11 < 2e-16 ***
## GeographyGreece -2.379e+04 1.719e-07 -1.384e+11 < 2e-16 ***
## GeographyHong Kong, China -2.512e+04 1.719e-07 -1.461e+11 < 2e-16 ***
## GeographyHungary 1.478e+06 1.719e-07 8.599e+12 < 2e-16 ***
## GeographyIceland -2.080e+04 1.719e-07 -1.210e+11 < 2e-16 ***
## GeographyIndia 2.238e+06 1.719e-07 1.302e+13 < 2e-16 ***
## GeographyIndonesia 2.045e+08 2.788e-07 7.334e+14 < 2e-16 ***
## GeographyIran 1.860e+08 2.635e-07 7.059e+14 < 2e-16 ***
## GeographyIraq -1.469e+04 1.719e-07 -8.543e+10 < 2e-16 ***
## GeographyIreland -2.449e+04 1.719e-07 -1.425e+11 < 2e-16 ***
## GeographyIsrael -3.656e+03 1.719e-07 -2.127e+10 < 2e-16 ***
## GeographyItaly 2.461e+04 1.719e-07 1.431e+11 < 2e-16 ***
## GeographyJapan 1.578e+07 1.727e-07 9.136e+13 < 2e-16 ***
## GeographyKazakhstan 1.776e+05 1.719e-07 1.033e+12 < 2e-16 ***
## GeographyKenya 8.598e+04 1.719e-07 5.001e+11 < 2e-16 ***
## GeographyKuwait -2.611e+04 1.719e-07 -1.519e+11 < 2e-16 ***
## GeographyLatvia -2.590e+04 1.719e-07 -1.507e+11 < 2e-16 ***
## GeographyLithuania -2.459e+04 1.719e-07 -1.430e+11 < 2e-16 ***
## GeographyLuxembourg -2.637e+04 1.719e-07 -1.534e+11 < 2e-16 ***
## GeographyMalaysia -2.711e+03 1.719e-07 -1.577e+10 < 2e-16 ***
## GeographyMexico 7.118e+05 1.719e-07 4.141e+12 < 2e-16 ***
## GeographyMorocco -9.741e+03 1.719e-07 -5.666e+10 < 2e-16 ***
## GeographyNetherlands -1.245e+04 1.719e-07 -7.239e+10 < 2e-16 ***
## GeographyNew Zealand -1.872e+04 1.719e-07 -1.089e+11 < 2e-16 ***
## GeographyNigeria 1.797e+05 1.719e-07 1.045e+12 < 2e-16 ***
## GeographyNorway -1.484e+04 1.719e-07 -8.633e+10 < 2e-16 ***
## GeographyPakistan 6.024e+05 1.719e-07 3.504e+12 < 2e-16 ***
## GeographyPanama -2.614e+04 1.719e-07 -1.521e+11 < 2e-16 ***
## GeographyPeru -2.128e+04 1.719e-07 -1.238e+11 < 2e-16 ***
## GeographyPhilippines 2.758e+05 1.719e-07 1.605e+12 < 2e-16 ***
## GeographyPoland 9.175e+04 1.719e-07 5.337e+11 < 2e-16 ***
## GeographyPortugal -2.100e+04 1.719e-07 -1.222e+11 < 2e-16 ***
## GeographyPuerto Rico -2.583e+04 1.719e-07 -1.502e+11 < 2e-16 ***
## GeographyQatar -2.618e+04 1.719e-07 -1.523e+11 < 2e-16 ***
## GeographyRomania -9.978e+03 1.719e-07 -5.804e+10 < 2e-16 ***
## GeographyRussia 1.565e+06 1.719e-07 9.101e+12 < 2e-16 ***
## GeographySaudi Arabia 1.042e+04 1.719e-07 6.062e+10 < 2e-16 ***
## GeographySingapore -2.273e+04 1.719e-07 -1.322e+11 < 2e-16 ***
## GeographySlovakia -2.505e+04 1.719e-07 -1.457e+11 < 2e-16 ***
## GeographySlovenia -2.523e+04 1.719e-07 -1.468e+11 < 2e-16 ***
## GeographySouth Africa 2.515e+05 1.719e-07 1.463e+12 < 2e-16 ***
## GeographySouth Korea 5.980e+07 1.835e-07 3.259e+14 < 2e-16 ***
## GeographySpain 4.649e+03 1.719e-07 2.704e+10 < 2e-16 ***
## GeographySri Lanka 2.281e+05 1.719e-07 1.327e+12 < 2e-16 ***
## GeographySweden 3.421e+04 1.719e-07 1.990e+11 < 2e-16 ***
## GeographySwitzerland -2.103e+04 1.719e-07 -1.224e+11 < 2e-16 ***
## GeographyTaiwan 5.888e+05 1.719e-07 3.425e+12 < 2e-16 ***
## GeographyThailand 1.750e+05 1.719e-07 1.018e+12 < 2e-16 ***
## GeographyTunisia -2.365e+04 1.719e-07 -1.376e+11 < 2e-16 ***
## GeographyTurkey 1.690e+05 1.719e-07 9.833e+11 < 2e-16 ***
## GeographyUkraine 1.017e+05 1.719e-07 5.918e+11 < 2e-16 ***
## GeographyUnited Arab Emirates -1.341e+04 1.719e-07 -7.800e+10 < 2e-16 ***
## GeographyUnited Kingdom 3.967e+03 1.719e-07 2.307e+10 < 2e-16 ***
## GeographyUruguay 5.681e+04 1.719e-07 3.304e+11 < 2e-16 ***
## GeographyUSA 2.972e+05 1.719e-07 1.729e+12 < 2e-16 ***
## GeographyUzbekistan 5.077e+06 1.720e-07 2.952e+13 < 2e-16 ***
## GeographyVietnam 1.980e+08 2.734e-07 7.243e+14 < 2e-16 ***
## UnitAOA million NA NA NA NA
## UnitARS million NA NA NA NA
## UnitAUD million NA NA NA NA
## UnitAZN million NA NA NA NA
## UnitBDT million NA NA NA NA
## UnitBGN million NA NA NA NA
## UnitBRL million NA NA NA NA
## UnitBYR million NA NA NA NA
## UnitCAD million NA NA NA NA
## UnitCHF million NA NA NA NA
## UnitCLP million NA NA NA NA
## UnitCNY million NA NA NA NA
## UnitCOP million NA NA NA NA
## UnitCRC million NA NA NA NA
## UnitCUC million NA NA NA NA
## UnitCZK million NA NA NA NA
## UnitDKK million NA NA NA NA
## UnitDOP million NA NA NA NA
## UnitDZD million NA NA NA NA
## UnitEGP million NA NA NA NA
## UnitETB million NA NA NA NA
## UnitEUR million NA NA NA NA
## UnitGBP million NA NA NA NA
## UnitGEL million NA NA NA NA
## UnitGHS million NA NA NA NA
## UnitHKD million NA NA NA NA
## UnitHRK million NA NA NA NA
## UnitHuF million NA NA NA NA
## UnitIDR million NA NA NA NA
## UnitILS million NA NA NA NA
## UnitINR million NA NA NA NA
## UnitIQD million NA NA NA NA
## UnitIRR million NA NA NA NA
## UnitISK million NA NA NA NA
## UnitJPY million NA NA NA NA
## UnitKES million NA NA NA NA
## UnitKHR million NA NA NA NA
## UnitKRW million NA NA NA NA
## UnitKWD million NA NA NA NA
## UnitKZT million NA NA NA NA
## UnitLKR million NA NA NA NA
## UnitMAD million NA NA NA NA
## UnitMXN million NA NA NA NA
## UnitMYR million NA NA NA NA
## UnitNGN million NA NA NA NA
## UnitNOK million NA NA NA NA
## UnitNZD million NA NA NA NA
## UnitPAB million NA NA NA NA
## UnitPEN million NA NA NA NA
## UnitPHP million NA NA NA NA
## UnitPKR million NA NA NA NA
## UnitPLN million NA NA NA NA
## UnitQAR million NA NA NA NA
## UnitRON million NA NA NA NA
## UnitRUB million NA NA NA NA
## UnitSAR million NA NA NA NA
## UnitSEK million NA NA NA NA
## UnitSGD million NA NA NA NA
## UnitTHB million NA NA NA NA
## UnitTND million NA NA NA NA
## UnitTRY million NA NA NA NA
## UnitTWD million NA NA NA NA
## UnitUAH million NA NA NA NA
## UnitUSD million NA NA NA NA
## UnitUYU million NA NA NA NA
## UnitUZS million NA NA NA NA
## UnitVND million NA NA NA NA
## UnitXAF million NA NA NA NA
## UnitZAR million NA NA NA NA
## Año -2.623e-10 7.645e-09 -3.400e-02 0.973
## Produccion -2.771e-14 6.441e-15 -4.302e+00 2.08e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.978e-07 on 443 degrees of freedom
## Multiple R-squared: 1, Adjusted R-squared: 1
## F-statistic: 8.585e+28 on 90 and 443 DF, p-value: < 2.2e-16regresion <- lm(Total_Produccion ~ Año + Produccion, data=bd5)
summary(regresion)##
## Call:
## lm(formula = Total_Produccion ~ Año + Produccion, data = bd5)
##
## Residuals:
## Min 1Q Median 3Q Max
## -156662104 -2346480 -288323 745268 98830383
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.083e+09 5.845e+08 3.563 0.000400 ***
## Año -1.031e+06 2.896e+05 -3.561 0.000402 ***
## Produccion 5.394e+00 7.845e-02 68.757 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 11410000 on 531 degrees of freedom
## Multiple R-squared: 0.899, Adjusted R-squared: 0.8986
## F-statistic: 2364 on 2 and 531 DF, p-value: < 2.2e-16bd5 <- data.frame(Año=2022, Produccion= 170000000)
predict(regresion,bd5)## 1
## 914196926# De acuerdo a los datos estimados, se ve que las variables de año y producción son igualmente significativas para la variable dependiente. En el caso de año, este tiene un impacto negativo sobre la otra y la producción tiene una estimación positiva.
# El modelo anterior nos muestra cuánto se estima que se producirá a nivel global en la industria del cartón para 2022. De acuerdo a una producción total aproximada de 170 millones de cartón en 2021, se espera que en 2022 se produzcan 914,196,926. En este caso, el prónostico fue realizado al crear un nuevo 'data frame' y al implementar la función de 'lm', usada para crear análisis regresivos y predictivos.
#### Modelos de regresión lineal múltiple: Producción de cartón en 2022 para Estados Unidos y México
### Importar base de datos (3)
bd6 <-read.csv("externa_bd3 csv3.csv")
summary(bd6)## Año USA MEX
## Min. :2016 Min. :48847 Min. :103443
## 1st Qu.:2017 1st Qu.:52256 1st Qu.:114333
## Median :2018 Median :54328 Median :124555
## Mean :2018 Mean :53932 Mean :123036
## 3rd Qu.:2020 3rd Qu.:55203 3rd Qu.:129521
## Max. :2021 Max. :59031 Max. :143561sum(is.na(bd6))## [1] 0summary(bd6)## Año USA MEX
## Min. :2016 Min. :48847 Min. :103443
## 1st Qu.:2017 1st Qu.:52256 1st Qu.:114333
## Median :2018 Median :54328 Median :124555
## Mean :2018 Mean :53932 Mean :123036
## 3rd Qu.:2020 3rd Qu.:55203 3rd Qu.:129521
## Max. :2021 Max. :59031 Max. :143561str(bd6)## 'data.frame': 6 obs. of 3 variables:
## $ Año: int 2016 2017 2018 2019 2020 2021
## $ USA: num 48847 51672 54006 55387 54651 ...
## $ MEX: num 103443 112231 120639 128471 129871 ...### Modelo de regresión múltiple: Producción de cartón en 2022: México
regresion3 <- lm(MEX ~ USA + Año, data=bd6)
summary(regresion3)##
## Call:
## lm(formula = MEX ~ USA + Año, data = bd6)
##
## Residuals:
## 1 2 3 4 5 6
## 574.6 -373.0 -664.0 478.2 -345.3 329.5
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -7.614e+06 1.010e+06 -7.540 0.00484 **
## USA 2.109e+00 2.749e-01 7.674 0.00460 **
## Año 3.777e+03 5.072e+02 7.446 0.00501 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 675 on 3 degrees of freedom
## Multiple R-squared: 0.9986, Adjusted R-squared: 0.9977
## F-statistic: 1100 on 2 and 3 DF, p-value: 5.023e-05regresion3 <- lm(MEX ~ Año, data=bd6)
summary(regresion3)##
## Call:
## lm(formula = MEX ~ Año, data = bd6)
##
## Residuals:
## 1 2 3 4 5 6
## -925.5 395.3 1336.2 1701.6 -4365.0 1857.6
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.495e+07 1.281e+06 -11.67 0.000308 ***
## Año 7.467e+03 6.347e+02 11.77 0.000299 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2655 on 4 degrees of freedom
## Multiple R-squared: 0.9719, Adjusted R-squared: 0.9649
## F-statistic: 138.4 on 1 and 4 DF, p-value: 0.0002986bd6 <- data.frame(Año=2022, Produccion= 740000)
predict(regresion3,bd6)## 1
## 149170.3ggplot(bd6, aes(x=Año, y=Produccion))+
geom_point() +
geom_line(aes(y=Produccion), color="red", linetype="dashed") +
geom_line(aes(y=Produccion), color="red", linetype="dashed") +
geom_smooth(method=lm, formula=y~x, se=TRUE, level=0.95, col='blue', fill='pink2') +
theme_light()## geom_path: Each group consists of only one observation. Do you need to adjust
## the group aesthetic?
## geom_path: Each group consists of only one observation. Do you need to adjust
## the group aesthetic?
# La predicción anterior nos arroja que hay un impacto positivo y significativo entre la variable Año y la variable dependiente. Esto significa que hay una predicción positiva de crecimiento acorde al año.
# De acuerdo a la producción total generada por México de 2016 a 2021 (740 M), el modelo pronóstico estima que en 2022 producirá 149,170.3. En la gráfica previa se muestra el punto de predicción. Si analizamos la producción de 2021 contra el pronóstico de 2022, se estima que la producción mexicana disminuirá. Podemos suponer que esto se debe a la deficiencia en la cadena de suministro global, así como factores económicos globales.
#### Modelos de regresión lineal múltiple: Producción de cartón en 2022 para Estados Unidos y México
### Importar base de datos (3)
bd6 <-read.csv("externa_bd3 csv3.csv")
summary(bd6)## Año USA MEX
## Min. :2016 Min. :48847 Min. :103443
## 1st Qu.:2017 1st Qu.:52256 1st Qu.:114333
## Median :2018 Median :54328 Median :124555
## Mean :2018 Mean :53932 Mean :123036
## 3rd Qu.:2020 3rd Qu.:55203 3rd Qu.:129521
## Max. :2021 Max. :59031 Max. :143561sum(is.na(bd6))## [1] 0summary(bd6)## Año USA MEX
## Min. :2016 Min. :48847 Min. :103443
## 1st Qu.:2017 1st Qu.:52256 1st Qu.:114333
## Median :2018 Median :54328 Median :124555
## Mean :2018 Mean :53932 Mean :123036
## 3rd Qu.:2020 3rd Qu.:55203 3rd Qu.:129521
## Max. :2021 Max. :59031 Max. :143561str(bd6)## 'data.frame': 6 obs. of 3 variables:
## $ Año: int 2016 2017 2018 2019 2020 2021
## $ USA: num 48847 51672 54006 55387 54651 ...
## $ MEX: num 103443 112231 120639 128471 129871 ...#### Modelos de regresión lineal múltiple: Producción de cartón en 2022: Estados Unidos
regresion2 <- lm(USA ~ MEX + Año, data=bd6)
summary(regresion2)##
## Call:
## lm(formula = USA ~ MEX + Año, data = bd6)
##
## Residuals:
## 1 2 3 4 5 6
## -293.67 185.92 345.50 -187.61 63.41 -113.54
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.266e+06 8.915e+05 3.663 0.0352 *
## MEX 4.511e-01 5.878e-02 7.674 0.0046 **
## Año -1.619e+03 4.452e+02 -3.636 0.0358 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 312.1 on 3 degrees of freedom
## Multiple R-squared: 0.9951, Adjusted R-squared: 0.9918
## F-statistic: 304.3 on 2 and 3 DF, p-value: 0.0003435regresion2 <- lm(USA ~ Año, data=bd6)
summary(regresion2)##
## Call:
## lm(formula = USA ~ Año, data = bd6)
##
## Residuals:
## 1 2 3 4 5 6
## -711.2 364.2 948.3 580.0 -1905.7 724.4
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -3477589.1 592456.5 -5.870 0.00421 **
## Año 1749.6 293.5 5.961 0.00398 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1228 on 4 degrees of freedom
## Multiple R-squared: 0.8988, Adjusted R-squared: 0.8735
## F-statistic: 35.53 on 1 and 4 DF, p-value: 0.003977bd6 <- data.frame(Año=2022, Produccion= 320000)
predict(regresion2,bd6)## 1
## 60055.85# Para la predicción de Estados Unidos, vemos que habrá un incremento en la producción de cartón contra 2021. Sin embargo, al analizar la producción total de México contra la producción total de Estados Unidos, vemos que la mexicana es mucho mayor. Podemos suponer que esto se debe debido a la mano de obra económica del mercado mexicano.
# De acuerdo a la predicción anterior, se ve un incremento positivo para la variable México con la variable dependiente, a diferencia del año que muestra un impacto menor y negativo, pero igualmente significativo.
# Predicción adicional
industriaA <-read.csv("Industria Auto.csv")
bd6 <-read.csv("Industria Auto.csv")
bd6 <- bd6[-c(1),]
summary(bd6)## year trimestre id_estado estado
## Min. :2014 Min. :1.000 Min. : 1.00 Length:689
## 1st Qu.:2016 1st Qu.:1.000 1st Qu.:10.00 Class :character
## Median :2018 Median :2.000 Median :17.00 Mode :character
## Mean :2018 Mean :2.401 Mean :17.39
## 3rd Qu.:2020 3rd Qu.:3.000 3rd Qu.:26.00
## Max. :2022 Max. :4.000 Max. :32.00
## idnueva ventas_autopartes_anual eci
## Length:689 Min. :4.382e+03 Min. :-0.9374
## Class :character 1st Qu.:2.240e+07 1st Qu.:-0.4630
## Mode :character Median :2.314e+08 Median : 0.7088
## Mean :3.308e+08 Mean : 0.4385
## 3rd Qu.:5.764e+08 3rd Qu.: 0.9138
## Max. :1.467e+09 Max. : 1.7810
## poblacion_ocupada_ensambladora_year exportaciones_anual iedanual_porestado
## Length:689 Length:689 Length:689
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
## summary(industriaA)## year trimestre id_estado estado
## Min. :2014 Min. :1.000 Min. : 1.00 Length:690
## 1st Qu.:2016 1st Qu.:1.000 1st Qu.:10.00 Class :character
## Median :2018 Median :2.000 Median :17.00 Mode :character
## Mean :2018 Mean :2.399 Mean :17.37
## 3rd Qu.:2020 3rd Qu.:3.000 3rd Qu.:26.00
## Max. :2022 Max. :4.000 Max. :32.00
## idnueva ventas_autopartes_anual eci
## Length:690 Min. :4.382e+03 Min. :-0.9374
## Class :character 1st Qu.:2.256e+07 1st Qu.:-0.4630
## Mode :character Median :2.316e+08 Median : 0.7088
## Mean :3.307e+08 Mean : 0.4391
## 3rd Qu.:5.759e+08 3rd Qu.: 0.9138
## Max. :1.467e+09 Max. : 1.7810
## poblacion_ocupada_ensambladora_year exportaciones_anual iedanual_porestado
## Length:690 Length:690 Length:690
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
## str(industriaA)## 'data.frame': 690 obs. of 10 variables:
## $ year : int 2014 2014 2014 2014 2014 2014 2014 2014 2014 2014 ...
## $ trimestre : int 1 1 1 1 1 1 1 1 1 1 ...
## $ id_estado : int 1 2 5 8 9 10 11 13 14 15 ...
## $ estado : chr "Aguascalientes" "Baja California" "Coahuila de Zaragoza" "Chihuahua" ...
## $ idnueva : chr "Agu20141" "Baj20141" "Coa20141" "Chi20141" ...
## $ ventas_autopartes_anual : int 297808938 180968923 638892837 415306918 424386804 2395458 599464057 490518 73197944 161883028 ...
## $ eci : num 0.856 1.268 0.914 1.148 0.914 ...
## $ poblacion_ocupada_ensambladora_year: chr "5523" "41376" "19522" "93703" ...
## $ exportaciones_anual : chr "8466008000" "35002851000" "34838926000" "1460627000" ...
## $ iedanual_porestado : chr "1008408044" "1102570984" "1567453720" "1462699524" ...regresion1 <- lm(ventas_autopartes_anual ~ estado +exportaciones_anual + poblacion_ocupada_ensambladora_year ,data = industriaA)
summary(regresion1)##
## Call:
## lm(formula = ventas_autopartes_anual ~ estado + exportaciones_anual +
## poblacion_ocupada_ensambladora_year, data = industriaA)
##
## Residuals:
## Min 1Q Median 3Q Max
## -506069374 -1448463 0 2162402 296273810
##
## Coefficients: (3 not defined because of singularities)
## Estimate Std. Error t value
## (Intercept) 316032420 79025905 3.999
## estadoBaja California 82523284 111759507 0.738
## estadoCampeche -316015278 111759507 -2.828
## estadoChihuahua 398034214 111759507 3.562
## estadoCiudad de Mexico 571759097 111759507 5.116
## estadoCoahuila de Zaragoza 1151233158 111759507 10.301
## estadoColima -315905304 111759507 -2.827
## estadoDurango -251105163 111759507 -2.247
## estadoEstado de Mexico -38335193 111759507 -0.343
## estadoGuanajuato 623474494 111759507 5.579
## estadoHidalgo -309386913 111759507 -2.768
## estadoJalisco -99121659 111759507 -0.887
## estadoMorelos -282142730 111759507 -2.525
## estadoNuevo Leon 491777471 111759507 4.400
## estadoPuebla 585598166 111759507 5.240
## estadoQueretaro 741305945 111759507 6.633
## estadoQuintana Roo -315991405 96786572 -3.265
## estadoSan Luis Potosi 124368409 111759507 1.113
## estadoSonora -227591089 111759507 -2.036
## estadoTamaulipas 303676078 111759507 2.717
## estadoTlaxcala -279845202 111759507 -2.504
## estadoVeracruz de Ignacio de la Llave -298360634 111759507 -2.670
## estadoYucatan -315911612 111759507 -2.827
## estadoZacatecas -293692225 111759507 -2.628
## exportaciones_anual10141642000 -633342919 91251256 -6.941
## exportaciones_anual10314836000 -243122117 91251256 -2.664
## exportaciones_anual10398672000 -83306231 96786572 -0.861
## exportaciones_anual10400467000 -214097642 91251256 -2.346
## exportaciones_anual10478612000 -227071679 91251256 -2.488
## exportaciones_anual10594592000 -660445310 91251256 -7.238
## exportaciones_anual10701591000 -184046450 96786572 -1.902
## exportaciones_anual11146761000 -328066976 96786572 -3.390
## exportaciones_anual1116042000 -50913 91251256 -0.001
## exportaciones_anual1119625000 16310 91251256 0.000
## exportaciones_anual11227331000 -195000075 91251256 -2.137
## exportaciones_anual11449692000 -52031743 91251256 -0.570
## exportaciones_anual1165750000 -155619675 91251256 -1.705
## exportaciones_anual11738889000 -320498675 91251256 -3.512
## exportaciones_anual11794073000 80649592 91251256 0.884
## exportaciones_anual12035000 -28653 96786572 0.000
## exportaciones_anual12044484000 -42701116 96786572 -0.441
## exportaciones_anual1238308000 -2755770 96786572 -0.028
## exportaciones_anual1262654000 37474 91251256 0.000
## exportaciones_anual1278536000 -29700606 91251256 -0.325
## exportaciones_anual12868798000 -152191028 91251256 -1.668
## exportaciones_anual1301171000 -5888596 91251256 -0.065
## exportaciones_anual1307252000 -28159308 91251256 -0.309
## exportaciones_anual1310801000 -24999653 91251256 -0.274
## exportaciones_anual1318941000 -4141097 91251256 -0.045
## exportaciones_anual1323153000 -5226323 91251256 -0.057
## exportaciones_anual13360587000 -213744406 91251256 -2.342
## exportaciones_anual13514349000 -461981584 91251256 -5.063
## exportaciones_anual13664629000 -141254716 91251256 -1.548
## exportaciones_anual1379964000 -23869307 91251256 -0.262
## exportaciones_anual14009625000 -74475970 91251256 -0.816
## exportaciones_anual1428633000 -3663704 96786572 -0.038
## exportaciones_anual1440918000 -16649460 91251256 -0.182
## exportaciones_anual1448674000 -9154406 91251256 -0.100
## exportaciones_anual14512000 -14416 96786572 0.000
## exportaciones_anual1460627000 -202662429 91251256 -2.221
## exportaciones_anual1460865000 -8043655 91251256 -0.088
## exportaciones_anual1470940000 -47686 91251256 -0.001
## exportaciones_anual15019152000 -613314608 91251256 -6.721
## exportaciones_anual15120233000 34228936 96786572 0.354
## exportaciones_anual15294350000 -165928588 91251256 -1.818
## exportaciones_anual15531676000 -107724661 91251256 -1.181
## exportaciones_anual15611884000 75774919 91251256 0.830
## exportaciones_anual16121000 -30177 96786572 0.000
## exportaciones_anual1654784000 -63167299 91251256 -0.692
## exportaciones_anual16642906000 -34997843 96786572 -0.362
## exportaciones_anual1672357000 -62208412 91251256 -0.682
## exportaciones_anual16837910000 -507759556 91251256 -5.564
## exportaciones_anual16895883000 115296593 91251256 1.264
## exportaciones_anual17204369000 -247634512 91251256 -2.714
## exportaciones_anual1721651000 -5466936 91251256 -0.060
## exportaciones_anual1726504000 -5852596 91251256 -0.064
## exportaciones_anual17332223000 -94707222 91251256 -1.038
## exportaciones_anual17443597000 102705938 91251256 1.126
## exportaciones_anual1752495000 -62743887 91251256 -0.688
## exportaciones_anual17544423000 135514903 91251256 1.485
## exportaciones_anual17547974000 -447164471 91251256 -4.900
## exportaciones_anual17735407000 104259566 91251256 1.143
## exportaciones_anual17877862000 10618852 91251256 0.116
## exportaciones_anual1813156000 -214253693 96786572 -2.214
## exportaciones_anual18601992000 -87747401 91251256 -0.962
## exportaciones_anual1861966000 -62600427 91251256 -0.686
## exportaciones_anual18687648000 -24706585 91251256 -0.271
## exportaciones_anual18737712000 -123808645 91251256 -1.357
## exportaciones_anual18985000 -5479 72140452 0.000
## exportaciones_anual191993000 NA NA NA
## exportaciones_anual19737684000 -78238788 91251256 -0.857
## exportaciones_anual19840531000 197594823 91251256 2.165
## exportaciones_anual19863200000 229643101 91251256 2.517
## exportaciones_anual20010001000 -29475421 91251256 -0.323
## exportaciones_anual20026441000 -147417980 96786572 -1.523
## exportaciones_anual20093245000 -52714510 91251256 -0.578
## exportaciones_anual20335098000 -59363602 91251256 -0.651
## exportaciones_anual20787831000 -176885438 91251256 -1.938
## exportaciones_anual21133618000 -11919096 91251256 -0.131
## exportaciones_anual2127000000 -53259174 91251256 -0.584
## exportaciones_anual2128076000 -135947447 88353648 -1.539
## exportaciones_anual21392726000 -85136044 91251256 -0.933
## exportaciones_anual21659640000 -27746581 91251256 -0.304
## exportaciones_anual22099835000 -140806200 91251256 -1.543
## exportaciones_anual2242354000 -4851805 91251256 -0.053
## exportaciones_anual22472408000 -97592972 91251256 -1.069
## exportaciones_anual22985164000 -19566138 96786572 -0.202
## exportaciones_anual2299343000 -5280661 91251256 -0.058
## exportaciones_anual2301925000 NA NA NA
## exportaciones_anual2302851000 -344468140 91251256 -3.775
## exportaciones_anual23360290000 -87808473 91251256 -0.962
## exportaciones_anual2376795000 -5540326 96786572 -0.057
## exportaciones_anual24048744000 -301202855 91251256 -3.301
## exportaciones_anual2452302000 -460231437 91251256 -5.044
## exportaciones_anual24926226000 -19992365 91251256 -0.219
## exportaciones_anual25065798000 -146940238 91251256 -1.610
## exportaciones_anual25504680000 -101969366 91251256 -1.117
## exportaciones_anual25507316000 -2426972 91251256 -0.027
## exportaciones_anual26300102000 -42846992 91251256 -0.470
## exportaciones_anual2630544000 -289995068 91251256 -3.178
## exportaciones_anual2632148000 -14585583 91251256 -0.160
## exportaciones_anual2667126000 -25511848 91251256 -0.280
## exportaciones_anual26736210000 -68439434 91251256 -0.750
## exportaciones_anual2684823000 -17118638 91251256 -0.188
## exportaciones_anual2705297000 -475872294 91251256 -5.215
## exportaciones_anual27314741000 108407180 91251256 1.188
## exportaciones_anual2737230000 -31938434 91251256 -0.350
## exportaciones_anual27397995000 -40140750 91251256 -0.440
## exportaciones_anual2760694000 -13930385 96786572 -0.144
## exportaciones_anual2793509000 7728884 91251256 0.085
## exportaciones_anual2873522000 1653824 91251256 0.018
## exportaciones_anual2880494000 -28125619 96786572 -0.291
## exportaciones_anual29130161000 79348605 91251256 0.870
## exportaciones_anual2946392000 2850874 91251256 0.031
## exportaciones_anual3026698000 1579766 91251256 0.017
## exportaciones_anual30529987000 -153881209 96786572 -1.590
## exportaciones_anual3086705000 -14291744 91251256 -0.157
## exportaciones_anual3086747000 -3612817 91251256 -0.040
## exportaciones_anual3141633000 2244200 91251256 0.025
## exportaciones_anual31513013000 -213302878 91251256 -2.338
## exportaciones_anual3157991000 8403585 96786572 0.087
## exportaciones_anual32177305000 -199208826 91251256 -2.183
## exportaciones_anual3325166000 4332750 91251256 0.047
## exportaciones_anual3402758000 -31045251 91251256 -0.340
## exportaciones_anual34511011000 -281714187 91251256 -3.087
## exportaciones_anual34522156000 -122777424 91251256 -1.345
## exportaciones_anual34590332000 -51405465 96786572 -0.531
## exportaciones_anual34838926000 -652547881 91251256 -7.151
## exportaciones_anual3490783000 -27486235 91251256 -0.301
## exportaciones_anual35002851000 -189871772 91251256 -2.081
## exportaciones_anual35997280000 -171707454 91251256 -1.882
## exportaciones_anual36004725000 -180452978 91251256 -1.978
## exportaciones_anual36251770000 -564945445 91251256 -6.191
## exportaciones_anual36315716000 -184526706 91251256 -2.022
## exportaciones_anual3657768000 2656603 91251256 0.029
## exportaciones_anual37699563000 -521630672 91251256 -5.716
## exportaciones_anual3791586000 -27851391 91251256 -0.305
## exportaciones_anual38441996000 -166179330 91251256 -1.821
## exportaciones_anual38572482000 -358805171 96786572 -3.707
## exportaciones_anual38950677000 -472455089 91251256 -5.178
## exportaciones_anual39615279000 -273384682 91251256 -2.996
## exportaciones_anual39857053000 -188893113 91251256 -2.070
## exportaciones_anual39896454000 -179369916 91251256 -1.966
## exportaciones_anual40659059000 -134947537 91251256 -1.479
## exportaciones_anual41034808000 -428473899 91251256 -4.696
## exportaciones_anual42396951000 -96879896 91251256 -1.062
## exportaciones_anual4339856000 -13715539 91251256 -0.150
## exportaciones_anual44961569000 -644854760 91251256 -7.067
## exportaciones_anual47659461000 -389638362 91251256 -4.270
## exportaciones_anual4862567000 -6250697 96786572 -0.065
## exportaciones_anual52231000 -10472 79025905 0.000
## exportaciones_anual522839000 738252 111759507 0.007
## exportaciones_anual5352788000 -9101610 88353648 -0.103
## exportaciones_anual5362863000 -12135351 88353648 -0.137
## exportaciones_anual582973000 -81666 96786572 -0.001
## exportaciones_anual587504000 -173779186 91251256 -1.904
## exportaciones_anual606131000 -166997519 91251256 -1.830
## exportaciones_anual6367193000 -10360227 88353648 -0.117
## exportaciones_anual6697248000 -8465610 88353648 -0.096
## exportaciones_anual716061000 -18237 96786572 0.000
## exportaciones_anual722027000 -7889813 111759507 -0.071
## exportaciones_anual726530000 -175201219 96786572 -1.810
## exportaciones_anual729883000 -274984075 91251256 -3.013
## exportaciones_anual735262000 246347 96786572 0.003
## exportaciones_anual7830019000 53331418 91251256 0.584
## exportaciones_anual7870962000 60706600 91251256 0.665
## exportaciones_anual790859000 -15435643 111759507 -0.138
## exportaciones_anual80907000 -21941 68438442 0.000
## exportaciones_anual820169000 -135474164 91251256 -1.485
## exportaciones_anual8466008000 -12575744 91251256 -0.138
## exportaciones_anual8476833000 -224960819 91251256 -2.465
## exportaciones_anual8495444000 55657928 91251256 0.610
## exportaciones_anual8534000 -6324 72140452 0.000
## exportaciones_anual871638000 -105063931 91251256 -1.151
## exportaciones_anual8829410000 -40562505 96786572 -0.419
## exportaciones_anual9147776000 -258898283 91251256 -2.837
## exportaciones_anual9372970000 -640224591 91251256 -7.016
## exportaciones_anual9505026000 -229554589 91251256 -2.516
## exportaciones_anual9650719000 65416021 91251256 0.717
## exportaciones_anual9806397000 -212125633 91251256 -2.325
## poblacion_ocupada_ensambladora_year1004 -460559 91251256 -0.005
## poblacion_ocupada_ensambladora_year1017 -88043944 91251256 -0.965
## poblacion_ocupada_ensambladora_year10714 35863369 91251256 0.393
## poblacion_ocupada_ensambladora_year1075 -35206 91251256 0.000
## poblacion_ocupada_ensambladora_year10767 3518043 91251256 0.039
## poblacion_ocupada_ensambladora_year11050 -118555603 111759507 -1.061
## poblacion_ocupada_ensambladora_year11361 -54924139 91251256 -0.602
## poblacion_ocupada_ensambladora_year11806 4344197 91251256 0.048
## poblacion_ocupada_ensambladora_year12073 -3121269 96786572 -0.032
## poblacion_ocupada_ensambladora_year12094 -64875837 91251256 -0.711
## poblacion_ocupada_ensambladora_year12217 6288286 91251256 0.069
## poblacion_ocupada_ensambladora_year124585 -36854211 91251256 -0.404
## poblacion_ocupada_ensambladora_year1247 347242 111759507 0.003
## poblacion_ocupada_ensambladora_year12650 -1079792 91251256 -0.012
## poblacion_ocupada_ensambladora_year12836 -8672226 91251256 -0.095
## poblacion_ocupada_ensambladora_year13072 -16160578 96786572 -0.167
## poblacion_ocupada_ensambladora_year13538 -26780130 111759507 -0.240
## poblacion_ocupada_ensambladora_year13866 -40099449 91251256 -0.439
## poblacion_ocupada_ensambladora_year13927 -1153337 91251256 -0.013
## poblacion_ocupada_ensambladora_year13995 -302686 91251256 -0.003
## poblacion_ocupada_ensambladora_year14221 -85427604 91251256 -0.936
## poblacion_ocupada_ensambladora_year144 18849 91251256 0.000
## poblacion_ocupada_ensambladora_year15136 68628 91251256 0.001
## poblacion_ocupada_ensambladora_year15762 -41948849 91251256 -0.460
## poblacion_ocupada_ensambladora_year15901 -56960344 91251256 -0.624
## poblacion_ocupada_ensambladora_year1601 -71923505 91251256 -0.788
## poblacion_ocupada_ensambladora_year1629 -83095837 111759507 -0.744
## poblacion_ocupada_ensambladora_year16844 3457658 96786572 0.036
## poblacion_ocupada_ensambladora_year1751 50233479 91251256 0.550
## poblacion_ocupada_ensambladora_year17726 -19904172 91251256 -0.218
## poblacion_ocupada_ensambladora_year1776 -95219290 91251256 -1.043
## poblacion_ocupada_ensambladora_year17790 1084572 111759507 0.010
## poblacion_ocupada_ensambladora_year17806 -125382498 91251256 -1.374
## poblacion_ocupada_ensambladora_year17876 -42916198 91251256 -0.470
## poblacion_ocupada_ensambladora_year18197 -6777176 91251256 -0.074
## poblacion_ocupada_ensambladora_year1827 -2927497 91251256 -0.032
## poblacion_ocupada_ensambladora_year18338 -809771 91251256 -0.009
## poblacion_ocupada_ensambladora_year186 9165298 91251256 0.100
## poblacion_ocupada_ensambladora_year1890 -56677 96786572 -0.001
## poblacion_ocupada_ensambladora_year19056 -676860 91251256 -0.007
## poblacion_ocupada_ensambladora_year19219 311407 91251256 0.003
## poblacion_ocupada_ensambladora_year19286 -16058828 91251256 -0.176
## poblacion_ocupada_ensambladora_year1945 12467581 91251256 0.137
## poblacion_ocupada_ensambladora_year19522 -175824860 91251256 -1.927
## poblacion_ocupada_ensambladora_year20047 2203070 91251256 0.024
## poblacion_ocupada_ensambladora_year217 -142230 91251256 -0.002
## poblacion_ocupada_ensambladora_year22383 5551012 96786572 0.057
## poblacion_ocupada_ensambladora_year2252 -243013 111759507 -0.002
## poblacion_ocupada_ensambladora_year2275 -718489 91251256 -0.008
## poblacion_ocupada_ensambladora_year22783 -17304874 91251256 -0.190
## poblacion_ocupada_ensambladora_year23106 -52789396 91251256 -0.579
## poblacion_ocupada_ensambladora_year23160 -124029766 91251256 -1.359
## poblacion_ocupada_ensambladora_year23209 -13521731 91251256 -0.148
## poblacion_ocupada_ensambladora_year23991 -586001 111759507 -0.005
## poblacion_ocupada_ensambladora_year25113 -55792481 111759507 -0.499
## poblacion_ocupada_ensambladora_year25660 -20874860 91251256 -0.229
## poblacion_ocupada_ensambladora_year25840 -3586940 96786572 -0.037
## poblacion_ocupada_ensambladora_year26248 9162092 91251256 0.100
## poblacion_ocupada_ensambladora_year2695 -13312374 91251256 -0.146
## poblacion_ocupada_ensambladora_year26950 -82012426 91251256 -0.899
## poblacion_ocupada_ensambladora_year27190 -31434153 91251256 -0.344
## poblacion_ocupada_ensambladora_year2720 -897442 91251256 -0.010
## poblacion_ocupada_ensambladora_year27286 19980870 91251256 0.219
## poblacion_ocupada_ensambladora_year27319 -8580815 91251256 -0.094
## poblacion_ocupada_ensambladora_year281 -179512 96786572 -0.002
## poblacion_ocupada_ensambladora_year28299 -57488134 91251256 -0.630
## poblacion_ocupada_ensambladora_year28505 20100158 91251256 0.220
## poblacion_ocupada_ensambladora_year28631 13816454 91251256 0.151
## poblacion_ocupada_ensambladora_year29188 -167555153 111759507 -1.499
## poblacion_ocupada_ensambladora_year29560 45453217 91251256 0.498
## poblacion_ocupada_ensambladora_year29817 -25979462 111759507 -0.232
## poblacion_ocupada_ensambladora_year29949 -114226180 96786572 -1.180
## poblacion_ocupada_ensambladora_year3006 225081 91251256 0.002
## poblacion_ocupada_ensambladora_year30939 -25825311 91251256 -0.283
## poblacion_ocupada_ensambladora_year31 -3217378 111759507 -0.029
## poblacion_ocupada_ensambladora_year31326 -106568309 91251256 -1.168
## poblacion_ocupada_ensambladora_year31593 -104642318 91251256 -1.147
## poblacion_ocupada_ensambladora_year3167 -1798870 91251256 -0.020
## poblacion_ocupada_ensambladora_year31902 -121670560 91251256 -1.333
## poblacion_ocupada_ensambladora_year32058 -33656603 96786572 -0.348
## poblacion_ocupada_ensambladora_year32214 15554329 91251256 0.170
## poblacion_ocupada_ensambladora_year32397 37768179 91251256 0.414
## poblacion_ocupada_ensambladora_year32737 -53610402 91251256 -0.588
## poblacion_ocupada_ensambladora_year33776 215286084 91251256 2.359
## poblacion_ocupada_ensambladora_year34166 -94222870 111759507 -0.843
## poblacion_ocupada_ensambladora_year34184 -20954762 96786572 -0.217
## poblacion_ocupada_ensambladora_year3467 -904444 91251256 -0.010
## poblacion_ocupada_ensambladora_year35667 -69484094 91251256 -0.761
## poblacion_ocupada_ensambladora_year35925 5486149 96786572 0.057
## poblacion_ocupada_ensambladora_year36108 151827074 91251256 1.664
## poblacion_ocupada_ensambladora_year3639 NA NA NA
## poblacion_ocupada_ensambladora_year36416 -61548729 111759507 -0.551
## poblacion_ocupada_ensambladora_year3658 -43946892 91251256 -0.482
## poblacion_ocupada_ensambladora_year367 9654679 91251256 0.106
## poblacion_ocupada_ensambladora_year37632 38184829 91251256 0.418
## poblacion_ocupada_ensambladora_year37833 75736097 91251256 0.830
## poblacion_ocupada_ensambladora_year3798 -6966401 91251256 -0.076
## poblacion_ocupada_ensambladora_year38 -4404019 96786572 -0.046
## poblacion_ocupada_ensambladora_year38917 -117612533 91251256 -1.289
## poblacion_ocupada_ensambladora_year3903 -2301816 91251256 -0.025
## poblacion_ocupada_ensambladora_year4011 -17089163 91251256 -0.187
## poblacion_ocupada_ensambladora_year4036 -18221227 91251256 -0.200
## poblacion_ocupada_ensambladora_year40376 77445857 96786572 0.800
## poblacion_ocupada_ensambladora_year40801 -29163382 91251256 -0.320
## poblacion_ocupada_ensambladora_year41376 -27715009 91251256 -0.304
## poblacion_ocupada_ensambladora_year4155 -8749699 91251256 -0.096
## poblacion_ocupada_ensambladora_year4164 -108398680 91251256 -1.188
## poblacion_ocupada_ensambladora_year42428 -7362946 91251256 -0.081
## poblacion_ocupada_ensambladora_year447 75389 96786572 0.001
## poblacion_ocupada_ensambladora_year45674 -68623977 91251256 -0.752
## poblacion_ocupada_ensambladora_year45735 -6458650 91251256 -0.071
## poblacion_ocupada_ensambladora_year4615 293862359 111759507 2.629
## poblacion_ocupada_ensambladora_year46197 -46607356 91251256 -0.511
## poblacion_ocupada_ensambladora_year4650 -10890470 91251256 -0.119
## poblacion_ocupada_ensambladora_year47540 -16067982 91251256 -0.176
## poblacion_ocupada_ensambladora_year48229 31896093 91251256 0.350
## poblacion_ocupada_ensambladora_year48921 -91225168 91251256 -1.000
## poblacion_ocupada_ensambladora_year49658 -34749319 111759507 -0.311
## poblacion_ocupada_ensambladora_year5022 -3932948 111759507 -0.035
## poblacion_ocupada_ensambladora_year50292 -9813744 91251256 -0.108
## poblacion_ocupada_ensambladora_year5078 -3216880 91251256 -0.035
## poblacion_ocupada_ensambladora_year5096 -101087692 91251256 -1.108
## poblacion_ocupada_ensambladora_year50998 -20268445 111759507 -0.181
## poblacion_ocupada_ensambladora_year513 -274024 91251256 -0.003
## poblacion_ocupada_ensambladora_year52 -643859 111759507 -0.006
## poblacion_ocupada_ensambladora_year528 -2590548 91251256 -0.028
## poblacion_ocupada_ensambladora_year52931 -25848730 91251256 -0.283
## poblacion_ocupada_ensambladora_year542 -347818 91251256 -0.004
## poblacion_ocupada_ensambladora_year5455 -45699225 91251256 -0.501
## poblacion_ocupada_ensambladora_year5523 -5647738 91251256 -0.062
## poblacion_ocupada_ensambladora_year5628 52901970 91251256 0.580
## poblacion_ocupada_ensambladora_year589 1159688 91251256 0.013
## poblacion_ocupada_ensambladora_year59620 -48338233 96786572 -0.499
## poblacion_ocupada_ensambladora_year6014 2633896 91251256 0.029
## poblacion_ocupada_ensambladora_year604 -19689796 91251256 -0.216
## poblacion_ocupada_ensambladora_year6077 -21888684 91251256 -0.240
## poblacion_ocupada_ensambladora_year6144 -79169552 91251256 -0.868
## poblacion_ocupada_ensambladora_year6165 -1511709 96786572 -0.016
## poblacion_ocupada_ensambladora_year645 121634327 96786572 1.257
## poblacion_ocupada_ensambladora_year65410 -23297724 91251256 -0.255
## poblacion_ocupada_ensambladora_year658 -1402906 96786572 -0.014
## poblacion_ocupada_ensambladora_year6783 -22234167 91251256 -0.244
## poblacion_ocupada_ensambladora_year7005 67293287 91251256 0.737
## poblacion_ocupada_ensambladora_year7010 1938695 91251256 0.021
## poblacion_ocupada_ensambladora_year7161 8678999 91251256 0.095
## poblacion_ocupada_ensambladora_year7357 1422081 91251256 0.016
## poblacion_ocupada_ensambladora_year74914 -59645793 91251256 -0.654
## poblacion_ocupada_ensambladora_year7497 -4275771 91251256 -0.047
## poblacion_ocupada_ensambladora_year7538 -18424627 111759507 -0.165
## poblacion_ocupada_ensambladora_year76042 -114231092 111759507 -1.022
## poblacion_ocupada_ensambladora_year7608 29441648 96786572 0.304
## poblacion_ocupada_ensambladora_year76195 82961075 91251256 0.909
## poblacion_ocupada_ensambladora_year7631 -12884346 111759507 -0.115
## poblacion_ocupada_ensambladora_year7694 -48819924 91251256 -0.535
## poblacion_ocupada_ensambladora_year7695 -69773414 91251256 -0.765
## poblacion_ocupada_ensambladora_year7697 8339266 91251256 0.091
## poblacion_ocupada_ensambladora_year7710 -43854614 91251256 -0.481
## poblacion_ocupada_ensambladora_year781 -12619850 91251256 -0.138
## poblacion_ocupada_ensambladora_year786 -23329874 91251256 -0.256
## poblacion_ocupada_ensambladora_year7889 7014715 91251256 0.077
## poblacion_ocupada_ensambladora_year8134 -65589088 91251256 -0.719
## poblacion_ocupada_ensambladora_year82050 -23110587 96786572 -0.239
## poblacion_ocupada_ensambladora_year83186 -19096394 91251256 -0.209
## poblacion_ocupada_ensambladora_year8415 -27008420 91251256 -0.296
## poblacion_ocupada_ensambladora_year84649 -55353682 91251256 -0.607
## poblacion_ocupada_ensambladora_year8538 -8057359 91251256 -0.088
## poblacion_ocupada_ensambladora_year8589 39108540 96786572 0.404
## poblacion_ocupada_ensambladora_year8763 135729108 91251256 1.487
## poblacion_ocupada_ensambladora_year915 -688053 91251256 -0.008
## poblacion_ocupada_ensambladora_year9218 -5708698 96786572 -0.059
## poblacion_ocupada_ensambladora_year9264 -32598664 91251256 -0.357
## poblacion_ocupada_ensambladora_year93703 -96097287 91251256 -1.053
## poblacion_ocupada_ensambladora_year9692 -24590049 91251256 -0.269
## poblacion_ocupada_ensambladora_year9849 -92408345 91251256 -1.013
## poblacion_ocupada_ensambladora_year990 -189413 91251256 -0.002
## Pr(>|t|)
## (Intercept) 7.91e-05 ***
## estadoBaja California 0.460816
## estadoCampeche 0.004987 **
## estadoChihuahua 0.000425 ***
## estadoCiudad de Mexico 5.41e-07 ***
## estadoCoahuila de Zaragoza < 2e-16 ***
## estadoColima 0.005002 **
## estadoDurango 0.025336 *
## estadoEstado de Mexico 0.731814
## estadoGuanajuato 5.19e-08 ***
## estadoHidalgo 0.005965 **
## estadoJalisco 0.375793
## estadoMorelos 0.012071 *
## estadoNuevo Leon 1.48e-05 ***
## estadoPuebla 2.93e-07 ***
## estadoQueretaro 1.41e-10 ***
## estadoQuintana Roo 0.001215 **
## estadoSan Luis Potosi 0.266626
## estadoSonora 0.042535 *
## estadoTamaulipas 0.006944 **
## estadoTlaxcala 0.012781 *
## estadoVeracruz de Ignacio de la Llave 0.007983 **
## estadoYucatan 0.005001 **
## estadoZacatecas 0.009008 **
## exportaciones_anual10141642000 2.20e-11 ***
## exportaciones_anual10314836000 0.008108 **
## exportaciones_anual10398672000 0.390040
## exportaciones_anual10400467000 0.019577 *
## exportaciones_anual10478612000 0.013343 *
## exportaciones_anual10594592000 3.45e-12 ***
## exportaciones_anual10701591000 0.058131 .
## exportaciones_anual11146761000 0.000788 ***
## exportaciones_anual1116042000 0.999555
## exportaciones_anual1119625000 0.999858
## exportaciones_anual11227331000 0.033364 *
## exportaciones_anual11449692000 0.568943
## exportaciones_anual1165750000 0.089097 .
## exportaciones_anual11738889000 0.000509 ***
## exportaciones_anual11794073000 0.377462
## exportaciones_anual12035000 0.999764
## exportaciones_anual12044484000 0.659376
## exportaciones_anual1238308000 0.977303
## exportaciones_anual1262654000 0.999673
## exportaciones_anual1278536000 0.745031
## exportaciones_anual12868798000 0.096335 .
## exportaciones_anual1301171000 0.948587
## exportaciones_anual1307252000 0.757835
## exportaciones_anual1310801000 0.784289
## exportaciones_anual1318941000 0.963832
## exportaciones_anual1323153000 0.954363
## exportaciones_anual13360587000 0.019778 *
## exportaciones_anual13514349000 7.01e-07 ***
## exportaciones_anual13664629000 0.122623
## exportaciones_anual1379964000 0.793816
## exportaciones_anual14009625000 0.415017
## exportaciones_anual1428633000 0.969828
## exportaciones_anual1440918000 0.855340
## exportaciones_anual1448674000 0.920153
## exportaciones_anual14512000 0.999881
## exportaciones_anual1460627000 0.027060 *
## exportaciones_anual1460865000 0.929814
## exportaciones_anual1470940000 0.999583
## exportaciones_anual15019152000 8.35e-11 ***
## exportaciones_anual15120233000 0.723833
## exportaciones_anual15294350000 0.069948 .
## exportaciones_anual15531676000 0.238673
## exportaciones_anual15611884000 0.406936
## exportaciones_anual16121000 0.999751
## exportaciones_anual1654784000 0.489295
## exportaciones_anual16642906000 0.717893
## exportaciones_anual1672357000 0.495908
## exportaciones_anual16837910000 5.59e-08 ***
## exportaciones_anual16895883000 0.207333
## exportaciones_anual17204369000 0.007015 **
## exportaciones_anual1721651000 0.952264
## exportaciones_anual1726504000 0.948901
## exportaciones_anual17332223000 0.300118
## exportaciones_anual17443597000 0.261214
## exportaciones_anual1752495000 0.492209
## exportaciones_anual17544423000 0.138515
## exportaciones_anual17547974000 1.53e-06 ***
## exportaciones_anual17735407000 0.254083
## exportaciones_anual17877862000 0.907433
## exportaciones_anual1813156000 0.027561 *
## exportaciones_anual18601992000 0.336980
## exportaciones_anual1861966000 0.493199
## exportaciones_anual18687648000 0.786756
## exportaciones_anual18737712000 0.175811
## exportaciones_anual18985000 0.999939
## exportaciones_anual191993000 NA
## exportaciones_anual19737684000 0.391870
## exportaciones_anual19840531000 0.031101 *
## exportaciones_anual19863200000 0.012341 *
## exportaciones_anual20010001000 0.746897
## exportaciones_anual20026441000 0.128721
## exportaciones_anual20093245000 0.563885
## exportaciones_anual20335098000 0.515806
## exportaciones_anual20787831000 0.053454 .
## exportaciones_anual21133618000 0.896160
## exportaciones_anual2127000000 0.559867
## exportaciones_anual2128076000 0.124878
## exportaciones_anual21392726000 0.351536
## exportaciones_anual21659640000 0.761275
## exportaciones_anual22099835000 0.123811
## exportaciones_anual2242354000 0.957630
## exportaciones_anual22472408000 0.285657
## exportaciones_anual22985164000 0.839923
## exportaciones_anual2299343000 0.953889
## exportaciones_anual2301925000 NA
## exportaciones_anual2302851000 0.000191 ***
## exportaciones_anual23360290000 0.336644
## exportaciones_anual2376795000 0.954388
## exportaciones_anual24048744000 0.001074 **
## exportaciones_anual2452302000 7.69e-07 ***
## exportaciones_anual24926226000 0.826719
## exportaciones_anual25065798000 0.108328
## exportaciones_anual25504680000 0.264642
## exportaciones_anual25507316000 0.978798
## exportaciones_anual26300102000 0.638999
## exportaciones_anual2630544000 0.001629 **
## exportaciones_anual2632148000 0.873109
## exportaciones_anual2667126000 0.779983
## exportaciones_anual26736210000 0.453803
## exportaciones_anual2684823000 0.851311
## exportaciones_anual2705297000 3.32e-07 ***
## exportaciones_anual27314741000 0.235717
## exportaciones_anual2737230000 0.726566
## exportaciones_anual27397995000 0.660314
## exportaciones_anual2760694000 0.885648
## exportaciones_anual2793509000 0.932554
## exportaciones_anual2873522000 0.985551
## exportaciones_anual2880494000 0.771551
## exportaciones_anual29130161000 0.385196
## exportaciones_anual2946392000 0.975096
## exportaciones_anual3026698000 0.986198
## exportaciones_anual30529987000 0.112850
## exportaciones_anual3086705000 0.875644
## exportaciones_anual3086747000 0.968443
## exportaciones_anual3141633000 0.980395
## exportaciones_anual31513013000 0.020031 *
## exportaciones_anual3157991000 0.930865
## exportaciones_anual32177305000 0.029761 *
## exportaciones_anual3325166000 0.962159
## exportaciones_anual3402758000 0.733918
## exportaciones_anual34511011000 0.002198 **
## exportaciones_anual34522156000 0.179426
## exportaciones_anual34590332000 0.595705
## exportaciones_anual34838926000 5.95e-12 ***
## exportaciones_anual3490783000 0.763448
## exportaciones_anual35002851000 0.038256 *
## exportaciones_anual35997280000 0.060790 .
## exportaciones_anual36004725000 0.048844 *
## exportaciones_anual36251770000 1.84e-09 ***
## exportaciones_anual36315716000 0.043994 *
## exportaciones_anual3657768000 0.976793
## exportaciones_anual37699563000 2.51e-08 ***
## exportaciones_anual3791586000 0.760401
## exportaciones_anual38441996000 0.069528 .
## exportaciones_anual38572482000 0.000247 ***
## exportaciones_anual38950677000 4.00e-07 ***
## exportaciones_anual39615279000 0.002951 **
## exportaciones_anual39857053000 0.039256 *
## exportaciones_anual39896454000 0.050207 .
## exportaciones_anual40659059000 0.140168
## exportaciones_anual41034808000 3.96e-06 ***
## exportaciones_anual42396951000 0.289185
## exportaciones_anual4339856000 0.880619
## exportaciones_anual44961569000 1.01e-11 ***
## exportaciones_anual47659461000 2.58e-05 ***
## exportaciones_anual4862567000 0.948547
## exportaciones_anual52231000 0.999894
## exportaciones_anual522839000 0.994734
## exportaciones_anual5352788000 0.918017
## exportaciones_anual5362863000 0.890841
## exportaciones_anual582973000 0.999327
## exportaciones_anual587504000 0.057760 .
## exportaciones_anual606131000 0.068173 .
## exportaciones_anual6367193000 0.906729
## exportaciones_anual6697248000 0.923728
## exportaciones_anual716061000 0.999850
## exportaciones_anual722027000 0.943763
## exportaciones_anual726530000 0.071212 .
## exportaciones_anual729883000 0.002790 **
## exportaciones_anual735262000 0.997971
## exportaciones_anual7830019000 0.559335
## exportaciones_anual7870962000 0.506361
## exportaciones_anual790859000 0.890237
## exportaciones_anual80907000 0.999744
## exportaciones_anual820169000 0.138633
## exportaciones_anual8466008000 0.890474
## exportaciones_anual8476833000 0.014218 *
## exportaciones_anual8495444000 0.542336
## exportaciones_anual8534000 0.999930
## exportaciones_anual871638000 0.250445
## exportaciones_anual8829410000 0.675432
## exportaciones_anual9147776000 0.004843 **
## exportaciones_anual9372970000 1.38e-11 ***
## exportaciones_anual9505026000 0.012374 *
## exportaciones_anual9650719000 0.473976
## exportaciones_anual9806397000 0.020721 *
## poblacion_ocupada_ensambladora_year1004 0.995976
## poblacion_ocupada_ensambladora_year1017 0.335352
## poblacion_ocupada_ensambladora_year10714 0.694570
## poblacion_ocupada_ensambladora_year1075 0.999692
## poblacion_ocupada_ensambladora_year10767 0.969271
## poblacion_ocupada_ensambladora_year11050 0.289581
## poblacion_ocupada_ensambladora_year11361 0.547670
## poblacion_ocupada_ensambladora_year11806 0.962059
## poblacion_ocupada_ensambladora_year12073 0.974294
## poblacion_ocupada_ensambladora_year12094 0.477631
## poblacion_ocupada_ensambladora_year12217 0.945103
## poblacion_ocupada_ensambladora_year124585 0.686575
## poblacion_ocupada_ensambladora_year1247 0.997523
## poblacion_ocupada_ensambladora_year12650 0.990566
## poblacion_ocupada_ensambladora_year12836 0.924345
## poblacion_ocupada_ensambladora_year13072 0.867499
## poblacion_ocupada_ensambladora_year13538 0.810777
## poblacion_ocupada_ensambladora_year13866 0.660641
## poblacion_ocupada_ensambladora_year13927 0.989924
## poblacion_ocupada_ensambladora_year13995 0.997355
## poblacion_ocupada_ensambladora_year14221 0.349891
## poblacion_ocupada_ensambladora_year144 0.999835
## poblacion_ocupada_ensambladora_year15136 0.999400
## poblacion_ocupada_ensambladora_year15762 0.646041
## poblacion_ocupada_ensambladora_year15901 0.532934
## poblacion_ocupada_ensambladora_year1601 0.431172
## poblacion_ocupada_ensambladora_year1629 0.457714
## poblacion_ocupada_ensambladora_year16844 0.971524
## poblacion_ocupada_ensambladora_year1751 0.582365
## poblacion_ocupada_ensambladora_year17726 0.827472
## poblacion_ocupada_ensambladora_year1776 0.297516
## poblacion_ocupada_ensambladora_year17790 0.992263
## poblacion_ocupada_ensambladora_year17806 0.170398
## poblacion_ocupada_ensambladora_year17876 0.638457
## poblacion_ocupada_ensambladora_year18197 0.940843
## poblacion_ocupada_ensambladora_year1827 0.974427
## poblacion_ocupada_ensambladora_year18338 0.992925
## poblacion_ocupada_ensambladora_year186 0.920058
## poblacion_ocupada_ensambladora_year1890 0.999533
## poblacion_ocupada_ensambladora_year19056 0.994086
## poblacion_ocupada_ensambladora_year19219 0.997279
## poblacion_ocupada_ensambladora_year19286 0.860418
## poblacion_ocupada_ensambladora_year1945 0.891410
## poblacion_ocupada_ensambladora_year19522 0.054893 .
## poblacion_ocupada_ensambladora_year20047 0.980754
## poblacion_ocupada_ensambladora_year217 0.998757
## poblacion_ocupada_ensambladora_year22383 0.954300
## poblacion_ocupada_ensambladora_year2252 0.998266
## poblacion_ocupada_ensambladora_year2275 0.993723
## poblacion_ocupada_ensambladora_year22783 0.849712
## poblacion_ocupada_ensambladora_year23106 0.563332
## poblacion_ocupada_ensambladora_year23160 0.175043
## poblacion_ocupada_ensambladora_year23209 0.882294
## poblacion_ocupada_ensambladora_year23991 0.995820
## poblacion_ocupada_ensambladora_year25113 0.617970
## poblacion_ocupada_ensambladora_year25660 0.819201
## poblacion_ocupada_ensambladora_year25840 0.970460
## poblacion_ocupada_ensambladora_year26248 0.920086
## poblacion_ocupada_ensambladora_year2695 0.884103
## poblacion_ocupada_ensambladora_year26950 0.369464
## poblacion_ocupada_ensambladora_year27190 0.730714
## poblacion_ocupada_ensambladora_year2720 0.992159
## poblacion_ocupada_ensambladora_year27286 0.826817
## poblacion_ocupada_ensambladora_year27319 0.925141
## poblacion_ocupada_ensambladora_year281 0.998521
## poblacion_ocupada_ensambladora_year28299 0.529148
## poblacion_ocupada_ensambladora_year28505 0.825800
## poblacion_ocupada_ensambladora_year28631 0.879747
## poblacion_ocupada_ensambladora_year29188 0.134802
## poblacion_ocupada_ensambladora_year29560 0.618750
## poblacion_ocupada_ensambladora_year29817 0.816331
## poblacion_ocupada_ensambladora_year29949 0.238808
## poblacion_ocupada_ensambladora_year3006 0.998033
## poblacion_ocupada_ensambladora_year30939 0.777351
## poblacion_ocupada_ensambladora_year31 0.977051
## poblacion_ocupada_ensambladora_year31326 0.243740
## poblacion_ocupada_ensambladora_year31593 0.252347
## poblacion_ocupada_ensambladora_year3167 0.984284
## poblacion_ocupada_ensambladora_year31902 0.183369
## poblacion_ocupada_ensambladora_year32058 0.728265
## poblacion_ocupada_ensambladora_year32214 0.864760
## poblacion_ocupada_ensambladora_year32397 0.679232
## poblacion_ocupada_ensambladora_year32737 0.557283
## poblacion_ocupada_ensambladora_year33776 0.018915 *
## poblacion_ocupada_ensambladora_year34166 0.399814
## poblacion_ocupada_ensambladora_year34184 0.828733
## poblacion_ocupada_ensambladora_year3467 0.992098
## poblacion_ocupada_ensambladora_year35667 0.446947
## poblacion_ocupada_ensambladora_year35925 0.954833
## poblacion_ocupada_ensambladora_year36108 0.097130 .
## poblacion_ocupada_ensambladora_year3639 NA
## poblacion_ocupada_ensambladora_year36416 0.582209
## poblacion_ocupada_ensambladora_year3658 0.630419
## poblacion_ocupada_ensambladora_year367 0.915805
## poblacion_ocupada_ensambladora_year37632 0.675895
## poblacion_ocupada_ensambladora_year37833 0.407177
## poblacion_ocupada_ensambladora_year3798 0.939194
## poblacion_ocupada_ensambladora_year38 0.963735
## poblacion_ocupada_ensambladora_year38917 0.198374
## poblacion_ocupada_ensambladora_year3903 0.979891
## poblacion_ocupada_ensambladora_year4011 0.851564
## poblacion_ocupada_ensambladora_year4036 0.841857
## poblacion_ocupada_ensambladora_year40376 0.424209
## poblacion_ocupada_ensambladora_year40801 0.749486
## poblacion_ocupada_ensambladora_year41376 0.761538
## poblacion_ocupada_ensambladora_year4155 0.923672
## poblacion_ocupada_ensambladora_year4164 0.235754
## poblacion_ocupada_ensambladora_year42428 0.935740
## poblacion_ocupada_ensambladora_year447 0.999379
## poblacion_ocupada_ensambladora_year45674 0.452587
## poblacion_ocupada_ensambladora_year45735 0.943618
## poblacion_ocupada_ensambladora_year4615 0.008969 **
## poblacion_ocupada_ensambladora_year46197 0.609875
## poblacion_ocupada_ensambladora_year4650 0.905077
## poblacion_ocupada_ensambladora_year47540 0.860339
## poblacion_ocupada_ensambladora_year48229 0.726914
## poblacion_ocupada_ensambladora_year48921 0.318209
## poblacion_ocupada_ensambladora_year49658 0.756058
## poblacion_ocupada_ensambladora_year5022 0.971949
## poblacion_ocupada_ensambladora_year50292 0.914423
## poblacion_ocupada_ensambladora_year5078 0.971900
## poblacion_ocupada_ensambladora_year5096 0.268788
## poblacion_ocupada_ensambladora_year50998 0.856202
## poblacion_ocupada_ensambladora_year513 0.997606
## poblacion_ocupada_ensambladora_year52 0.995407
## poblacion_ocupada_ensambladora_year528 0.977370
## poblacion_ocupada_ensambladora_year52931 0.777154
## poblacion_ocupada_ensambladora_year542 0.996961
## poblacion_ocupada_ensambladora_year5455 0.616854
## poblacion_ocupada_ensambladora_year5523 0.950688
## poblacion_ocupada_ensambladora_year5628 0.562501
## poblacion_ocupada_ensambladora_year589 0.989868
## poblacion_ocupada_ensambladora_year59620 0.617821
## poblacion_ocupada_ensambladora_year6014 0.976991
## poblacion_ocupada_ensambladora_year604 0.829301
## poblacion_ocupada_ensambladora_year6077 0.810583
## poblacion_ocupada_ensambladora_year6144 0.386268
## poblacion_ocupada_ensambladora_year6165 0.987548
## poblacion_ocupada_ensambladora_year645 0.209775
## poblacion_ocupada_ensambladora_year65410 0.798646
## poblacion_ocupada_ensambladora_year658 0.988444
## poblacion_ocupada_ensambladora_year6783 0.807652
## poblacion_ocupada_ensambladora_year7005 0.461392
## poblacion_ocupada_ensambladora_year7010 0.983063
## poblacion_ocupada_ensambladora_year7161 0.924287
## poblacion_ocupada_ensambladora_year7357 0.987576
## poblacion_ocupada_ensambladora_year74914 0.513814
## poblacion_ocupada_ensambladora_year7497 0.962657
## poblacion_ocupada_ensambladora_year7538 0.869159
## poblacion_ocupada_ensambladora_year76042 0.307503
## poblacion_ocupada_ensambladora_year7608 0.761181
## poblacion_ocupada_ensambladora_year76195 0.363960
## poblacion_ocupada_ensambladora_year7631 0.908291
## poblacion_ocupada_ensambladora_year7694 0.593020
## poblacion_ocupada_ensambladora_year7695 0.445059
## poblacion_ocupada_ensambladora_year7697 0.927242
## poblacion_ocupada_ensambladora_year7710 0.631137
## poblacion_ocupada_ensambladora_year781 0.890093
## poblacion_ocupada_ensambladora_year786 0.798374
## poblacion_ocupada_ensambladora_year7889 0.938773
## poblacion_ocupada_ensambladora_year8134 0.472808
## poblacion_ocupada_ensambladora_year82050 0.811431
## poblacion_ocupada_ensambladora_year83186 0.834369
## poblacion_ocupada_ensambladora_year8415 0.767440
## poblacion_ocupada_ensambladora_year84649 0.544544
## poblacion_ocupada_ensambladora_year8538 0.929695
## poblacion_ocupada_ensambladora_year8589 0.686433
## poblacion_ocupada_ensambladora_year8763 0.137894
## poblacion_ocupada_ensambladora_year915 0.993989
## poblacion_ocupada_ensambladora_year9218 0.953003
## poblacion_ocupada_ensambladora_year9264 0.721149
## poblacion_ocupada_ensambladora_year93703 0.293092
## poblacion_ocupada_ensambladora_year9692 0.787738
## poblacion_ocupada_ensambladora_year9849 0.311983
## poblacion_ocupada_ensambladora_year990 0.998345
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 79030000 on 318 degrees of freedom
## Multiple R-squared: 0.9716, Adjusted R-squared: 0.9384
## F-statistic: 29.28 on 371 and 318 DF, p-value: < 2.2e-16# Este análisis adicional nos muestra datos predictivos en cuanto al desempeño de la industria automotriz. Los datos anallizan del 2014 al 2022 y evalúa el desempeño de la industria considerando exportaciones, población ocupada, producción anual por estado, entre otros puntos. En resumen, la base de datos nos dice que hay información significativa en distintos Estados de la República. Entre los más significativos se encuentran Baja California y San Luis Potosí. Podemos deducir que esto se debe a la alta infuencia en industria que estos estados manejan a nivel nacional.8.Business Analytics y Business Intelligence
# *¿Qué es Business Analytics?*
# Es una combinación de habilidades, tecnologías y prácticas para la exploración e investigación del funcionamiento y los procesos empresariales que se han tenido anteriormente por un empresa, para de ese modo obtener información, poder analizar dicha información que se extrae y así impulsar la planificación estratégica empresarial. Business Analytics puede descubrir patrones y predecir tendencias considerando diferentes factores.
# Existen diferentes rubros del "Business Analytics":
# 1. Análisis Descriptivo
# 2. Análisis de Diagnóstico
# 3. Análisis Predictivo
# 4. Análisis Prescriptivo
# *¿Qué es Business Analytics?*
# 1. Determina qué conjuntos de datos son significantes y útiles para poder analizar y conocer el desempeño de la empresa y cuáles pueden aumentar los ingresos y disminuir los costos.
# - *Ejemplo:* productividad y eficencia.
# 2. Analizar y transformar los datos en información útil, identificar y anticipar tendencias y resultados. Simplificar información para hacerla más sencilla de entender y visual.
# 3. Tomar decisiones empresariales más inteligentes basadas en datos.
# - *Ejemplo:* Análisis del comportamiento de los clientes, disminución de costo, evitar mermas, aprovechamiento de tiempos y materiales, eficiencia y eficacia.
# __Fuente: (Galiana, P., 2022)__
# *¿Qué es Business Intelligence?*
# 1. La capacidad de analizar de forma combinada información interna y externa procedente de distintas fuentes y sistemas.
# 2. Una mayor profundidad de análisis y una capacidad ampliada de reporteo.
# 3. La capacidad de realizar proyecciones y pronósticos de futuro en base a toda esa información.
# __Fuente: (¿Qué es Business Intelligence y cómo funciona? | IBM., 2022)__
# *¿Cuál es la relación entre Business Analytics y Business Intelligence?*
# BI sirve para evaluar, optimizar y coordinar las operaciones internas de una empresa. Trata de aprovechar todo el potencial de los datos que genera una empresa en todas sus actividades diarias y analizar estos datos para obtener información de valor sobre la toma de decisiones.Ayuda para entender el histórico y el como evolucionan los datos. Y como mencionamos anteriormente Business Analytics con el analisis de la información de una empresa logra puede llegar a desubrir patrones, explicaciones del porque de los mismos y predecir tendencias o hechos que pueden llegar a pasar en el negocio.
# Estos dos términos tienen una alta relación entre ellas, ya que en pocas palabras la Inteligencia de Negocios es el hacer análisis de los datos obtenidos y Analítica de Negocios es predicción a partir de los datos que se obtuvieron con el análisis. Una con lleva a la otra y trabajan juntas para obtener el resultado buscado de un análisis de datos que contenga la información relevante y significativa que nos pueda mostrar predicciones del comportamiento, ya sea de la empresa, de la economía, de los ingresos, de los clientes y más. Ambas son necesarias para extraer un buen análisis de la información de una empresa, ya que uno analiza dos, los organiza y extrae aquellos relevantes y la otra puede lograr las pedicciones y análisis.9. Key Performance Indicators (KPI’s)
# *¿Qué son los Indicadores Clave de Rendimiento (KPI's)?*
# Un KPI (Key Performance Indicator) es una métrica cuantitativa que muestra cómo tu equipo progresa hacia tus objetivos empresariales más importantes. Esto puede ir desde la evaluación de un proyecto específico hasta el rendimiento general de una compañía, logrando así tus objetivos estratégicos.
# __Fuente: (Bello, E., 2021)__
# *Propuestas de mejora para FORM*
# *Recursos Humanos*
# Propuesta 1. Vemos que se tiene un mayor porcentaje de empleadas femeninas, representando un 70% de los empleados totales. Adicional, muchos de los empleados viven en dos estados: Nuevo León y Coahuila, del cual destaca principalmente Nuevo León. Se recomienda implementar un indicador que mida la retención de talento que se está teniendo en la empresa para conocer la estabilidad laboral. Como muestra la base de datos de bajas, hay una alta rotación por motivos diversos aunque no existe un indicador fijo para medir esta rotación. Es de alto valor aplicarlo para poder entender las causas y cómo mejorar el proceso.
# Propuesta 2. Respecto a los puestos laborales, existen 60 personas desempeñándose como “ayudantes generales”. Es importante analizar la importancia que tiene dicho puesto y cuáles son las posibilidades de crecimiento dentro de este. Se debe considerar la forma de implementar una evaluación de habilidades para los empleados que les permita crecer de manera orgánica dentro de la empresa y de esta forma, aumentar el porcentaje de retención de personal.
# *Delivery Performance*
# Propuesta 1. Crear un plan de entregas con menos de dos vueltas, ya que se mostró menos efectiva la tercera, marcando más tardanzas a lo largo del análisis.
# Propuesta 2. Crear un plan mensual con KPI's de rapidez de entregas para ver el flujo por mes de lo que están tardando y ver las acciones específicas para mitigar ese retraso.
# *Merma*
# Propuesta 1. De acuerdo al cálculo de merma total, se generaron 185,426 kilos de Enero a Septiembre del 2022. En el análisis se muestra un incremento de producción de merma del 60.34%. Podemos suponer que este incremento se debe al aumento de la industria automotriz en producción, exportaciones y ventas internas (El Economista, 2022). Esto para FORM significaría que tuvieron un aumento en pedidos y por ende, hubo un descuido en los procesos de calidad y producción. Como propuesta de mejora, se sugeriría llevar un control puntual del manejo de mercancía a través de tecnologías digitales. Esto a través de un control puntual de cuánto se está desperdiciando para cada producto o cliente y definir un valor máximo de merma a poder generar.
# Propuesta 2. Como segundo plan de acción, se recomienda identificar la causa de la merma, es decir, saber qué recursos se merman. Esto con el objetivo de identificar qué es lo que genera esta pérdida y trabajar sobre ella para evitar que se repita.
# *Producción*
# Propuesta 1. Se recomienda realizar un estudio ergonómico sobre las estaciones de trabajo del área de producción con el fin de mejorar paulativamente el rendimiento de los colaboradores en sus actividades correspondientes.
# Propuesta 2. Se recomienda ejecutar encuestas periódicas a los clientes con la finalidad de obtener información de satisfacción con respecto al producto entregado. De esta manera, la empresa podrá tomar las acciones correspondientes como respuesta de una política de mejora continua.
# *Scrap*
# Propuesta 1. Con la intención de reducir los errores de mano de obra al mínimo, se recomienda implementar un manual de capacitación para los empleados del área de producción y calidad con el objetivo de evitar descuidos, negligencias, usos incorrectos o irresponsabilidades, para reducir eficazmente el desperdicio de materia prima. Esto le dará a FORM una mejor estrategia de costos, así como relación con el capital humano, pues tendrán mejores herramientas para tratar errores productivos e incrementar su productividad a través de capacitación más especializada.
# Propuesta 2. Para evitar el desperdicio, se recomienda replantear el almacenamiento de stock, esto con la intención de mejorar el espacio en piso para el orden de los materiales y optimizar el proceso de producción completo.10. Insights
# *Recursos Humanos*
# 1. Vemos que se tiene un mayor porcentaje de empleadas femeninas, representando un 70% de los empleados totales. Adicional, muchos de los empleados viven en dos estados: Nuevo León y Coahuila, del cual destaca principalmente Nuevo León.
# 2. El salario diario promedio de FORM es de $180 pesos mexicanos, es decir, $5,400 pesos mensuales. De acuerdo a datos compartidos por la INEGI, se prevé que para 2022 el salario mínimo en México sea de $5,255 pesos mensuales. Esto refleja que el salario mensual de FORM es 2% mayor al salario mínimo del país.
# *Delivery Performance*
# 1. Nos muestra que el cliente potencial es Hella, ya que cuenta con mayores pedidos y el segundo lugar para FORM es TRMX.
# 2. Se analizó que Septiembre es uno de los meses fuertes para la empresa en esta área, ya que se incrementaron los pedidos establecidos.
# *Merma*
# 1. Sería importante considerar que para tener un cambio significativo, es necesario darle importancia al correcto almacenamiento de datos y procesamiento de los mismos, pues éstas son las bases de una ágil interpretación de datos, generando así una mejor toma de decisiones y por ende, un correcto manejo de la información.
# 2. se está generando una merma irregular. Los datos muestran que de Enero a Abril hubo una merma de 3 toneladas promedio. De Abril a Julio se generó alrededor de 5 toneladas y llegó a generar hasta 6 toneladas y de Julio a Octubre generó 3 toneladas promedio. Aunque en un mes se logró tener menos de 1 tonelada de merma.
# *Producción*
# 1. Vemos que el cliente “VL-017-14086” es el que menos producto compra. Se recomienda analizar qué tanto beneficio nos está generando contar con un cliente que únicamente pide una pieza.
# 2. Se analizó que en las estaciones C1 y C2 tienen la mayor productividad debido a que son las que menos tiempo hacen con más procesamiento de láminas. Por lo tanto, esto es una ventaja que se podría analizar en esta fase de producción para aplicarla a las demás áreas.
# *Scrap*
# 1. El área que mayor cantidad de ‘scrap’ total genera es “SAB/Calidad/Entrega de PT” aunque de manera individual.
# 2. Los datos muestran que hay un alto nivel de chatarra generada por parte del área de Calidad/Entrega de Producto Terminado. Sería necesario identificar las razones de este desperdicio y la manera de reducir este desecho al mínimo.11. Referencias
9 Estilos y formatos de tabla | Tablas y graficos con R y R Studio. (2022). Retrieved 24 September 2022, from https://tables.investigaonline.com/tse-formateo.html
Ana Karen García. (2022, September 8). Industria automotriz anota un buen agosto: crecen producción, exportaciones y ventas internas. El Economista; El Economista. https://www.eleconomista.com.mx/empresas/Industria-automotriz-anota-un-buen-agosto-crecen-produccion-exportaciones-y-ventas-internas-20220907-0031.html
Bello, E. (2021). Qué son los KPIs y cómo funcionan. Thinking For Innovation. Retrieved from https://www.iebschool.com/blog/que-son-los-kpis-y-como-aplicarlos-a-tu-empresa-digital-business/
Hernández, F., & Usuga, O. (2022). 9 Tablas de frecuencia | Manual de R. Retrieved 24 September 2022, from https://fhernanb.github.io/Manual-de-R/tablas.html#ejemplo-tabla-de-frecuencia-relativa-de-una-v%C3%ADa
Galiana, P. (2022). Qué es Business Analytics: definición,tipos y diferencias. Thinking For Innovation. Retrieved from https://www.iebschool.com/blog/que-es-business-analytics-definiciontipos-y-diferencias-big-data/
Gulzar, M. (2022, 6 enero). K-Means Clustering: Concepts and Implementation in R for Data Science. Medium. Recuperado 10 de octubre de 2022, de https://towardsdatascience.com/k-means-clustering-concepts-and-implementation-in-r-for-data-science-32cae6a3ceba
Gulzar, M. (2022b, enero 6). K-Means Clustering: Concepts and Implementation in R for Data Science. Medium. Recuperado 10 de octubre de 2022, de https://towardsdatascience.com/k-means-clustering-concepts-and-implementation-in-r-for-data-science-32cae6a3ceba
¿Qué es Business Intelligence y cómo funciona? | IBM. (2022). Retrieved 13 October 2022, from https://www.ibm.com/mx-es/topics/business-intelligence
Zhu, A. (2022, 12 agosto). K-Means Clustering Explained Simply - Towards Data Science. Medium. Recuperado 10 de octubre de 2022, de https://towardsdatascience.com/explain-ml-in-a-simple-way-k-means-clustering-e925d019743b
---
title: "Evidencia 2"
author: "Jimena Miguel"
date: "`r Sys.Date()`"
output: 
      html_document:
        toc: true
        toc_float: true
        code_folding: "hide"
        code_download: true
---


## Importar base de datos y cargar librerías
```{r}
library(ggplot2)
library(foreign)
library(dplyr)
library(ggplot2)
library(psych)
library(corrplot)
library(jtools)
library(car)
library(factoextra)
library(ggfortify)
library(Hmisc)
library(olsrr)
library(kableExtra)
library(lubridate)
#library(mirage)
#library(sd)
library(modeest)
#library(barplot)
#library(merge)
library(modeest)
library(forcats)
library(readr)
library(janitor)
library(naniar)
library(dlookr)
library(tidyverse)
library(gmodels)
library(crosstable)
library(openxlsx)
library(lmtest)
#library(auto.arima)
library(forecast)
```

# <span style = "color:darkorange">**¿Quién es Form?**
FORM es una empresa mexicana dedicada a generar soluciones integrales de empaque para la industria automotriz. Fue fundada en el 2011 por Felipe Flores García y hoy en día cuenta con más de 130 empleados. FORM toma gran importancia a ser parte de un entorno sostenible, por lo que diseña empaques ecológicos generando un impacto positivo al medio ambiente, es por ello que su principal material es el cartón,  con el cual obtienen el 50% de sus ganancias y representa el 90% de sus gastos y costos. Por ello la importancia de una buena logística y cadena de suministros en FORM, para optimizar  y eficientizar y de ese modo tener rentabilidad. 

# <span style = "color:darkorange">**1. Scrap** 
```{r}

## Llamar base de datos.

SCRAP<- read.csv('FORM - Scrap Limpia .csv')
summary(SCRAP)

## Estructura de la base de datos
str(SCRAP)

### ¿Cuántos NA's tengo en la base de datos?
#Debido a que en la base de datos no se encuentran Missing Values, en esta base de datos no se pueden remplazar valores por media, mediana y moda ya que no aplica. 

sum(is.na(SCRAP))

#describe(SCRAP)

#**Nota:**En esta base de datos se eliminaron la columana que no era relevante para el analisis. Se eliminan Referencia, Producto, Unidad.de.medida, Ubicación.de.desecho, Estado, debido a que son irrelevantes, pues es el mismo dato para todos los registros.

bd1<- SCRAP
bd1<-subset(SCRAP,select=-c(Referencia, Unidad.de.medida , Ubicación.de.desecho, Estado))
str(bd1)
summary(bd1)

## *2. *Para el caso de variables cuantitativas considerar la posibilidad de reemplazar la presencia de “missing values” con estadísticos descriptivos (por ejemplo, media, mediana, moda).*

bd1<-SCRAP
bd1

sum(is.na(bd1))
sum(is.na(SCRAP))
sapply(bd1, function(x) sum(is.na(x)))
sapply(SCRAP, function(x) sum(is.na(x)))

### Cambiar columnas y variables 

#seleccionar columnas / variables.
#bd1<-SCRAP %>% select(one_of("Fecha","Hora","Producto","Cantidad","Ubicación.de.origen"))

#Renombrar las columnas /variables seleccionadas. 
colnames(bd1) <-c ('Fecha','Hora','Prod.','Cant.','Origen')


# **Nota:** Se cambiaron los nombres de las variables a nombres más cortos para no contar con nombres largos.

## Tabla de estadísticos descriptivos

#summary(bd1)
#describe(bd1)


sd(bd1$Cantidad, na.rm= TRUE)  

Variable<-c("Cant.")
Mediana<-c("2.00")
Media <- c("6.696")
Moda <- c("1") #EXCEL 
Desviación_estandar<-c("11.84885")
table1 <- data.frame (Variable, Mediana, Media, Moda, Desviación_estandar)
knitr::kable(table1)


## Crear 1-2 “time series plots” (line plot) que muestran la dispersión de variables selecionadas.

summary(bd1)
ggplot(bd1,aes(x=Cant.))+
  geom_line(aes(y=Origen),color="Red")+
  labs(x="Cant",y="Origen", color="Legend")+
  ggtitle("Mayores cantidades de Scrap por origen")

# La gráfica anterior nos muestra que hay una mayor cantidad de 'scrap' generado en Pre-Producción, siguiéndole Entrega de Producto Terminado y finalmente Post-Producción. Esto nos indica que hay una ineficiencia mayor en el área pre-productiva.
```


# <span style = "color:darkorange">**2. Merma** 
```{r}
## Llamar base de datos.

FORM<- read.csv('FORM - Merma limpia.csv')

## Entender Base de Datos
resumen <- summary(FORM)
resumen

## *1.¿Cuántas variables y cuántos registros tiene la base de datos?*
# <center> <span style="color:Blue"> R= 52 registros y 2 variables </center>
str(FORM)
describe(FORM)

# **Nota:**En esta base de datos se eliminaron la columana que no era relevante para el analisis, Se eliminaron los registros de total de merma y la columna de mes ya que no eran irrelevantes. Por lo tanto nos quedamos con 52 registros y 2 variables.  

## *2.*Para el caso de variables cuantitativas considerar la posibilidad de reemplazar la presencia de “missing values” con estadísticos descriptivos (por ejemplo, media, mediana, moda).*
  

# Remplazar valores faltantes por la mediana: No se pueden cambair debido a que los NA´S de la base de datos no tienen información. Por lo tanto se van a Eliminar. 

FORM_1<-FORM
FORM_1<- na.omit(FORM_1)
summary(FORM_1)

summary(FORM) 
str(FORM)
FORM$Kilos<-as.numeric(FORM$Kilos)
FORM<-FORM %>% mutate(Kilos=if_else(is.na(Kilos),median(Kilos,na.rm = T),Kilos))

# **Nota:**En esta base de datos la única variable que se puede reemplazar por la mediana es la columna de 'kilos'. Ya se remplazaron los valores faltantes por la mediana. 


## Cambiar nombres de columnas y variables

### Seleccionar columnas / variables.
FORM<-FORM %>% select(-one_of('Fecha','Kilos'))

### Renombrar las columnas /variables seleccionadas. 
colnames(FORM_1) <-c ('Fcha','Kilo')

# *Respecto a variables cualitativas (por ejemplo, género, cliente,municipio, estado) homogenizar el nombre de las diferentes categorías. *
  
  
# *Respecto a La base de datos analizada, no aplica el paso de homogenizar las variables, ya que en este caso sólo se cuenta con dos variables en la base de datos.* 
  
## Tabla de estadísticos descriptivos

summary(FORM_1)

sd(FORM_1$Kilo, na.rm = FALSE)

median(FORM_1$Kilo, na.rm = TRUE)
mean(FORM_1$Kilo, na.rm = TRUE)
sd(FORM_1$Kilo, na.rm = FALSE)
mfv(FORM_1$Kilo)

variable<-c("'Kilo")
Mediana<-c("4025")
Media <- c("4415")
Moda <- c("4190")
Desviación_estandar<-c("2571.793")
table1 <- data.frame (variable, Mediana, Media, Moda, Desviación_estandar)
knitr::kable(table1)

## Time Serie Plots

FORM_1$Fcha<-as.Date(FORM_1$Fcha,format="%d/%m/%y") 

summary(FORM_1)
ggplot(FORM_1,aes(x=Fcha))+
  geom_line(aes(y=Kilo),color="blue")+
  labs(x="Fecha",y="Kilo", color="Legend")+
  ggtitle("Kilos de merma por mes")

# La gráfica anterior muestra los kilos de merma generados por mes. De acuerdo a los datos, entre Febrero y Marzo se tuvo el pico más alto en merma y conforme fue avanzando el año, vemos que la merma ha disminuido considerablemente. En Abril, Agosto y Septiembre son las fechas en las que menos merma se generó.

```

# <span style = "color:darkorange">**3. Delivery Plan** 
```{r}
## Importar la base de datos

delivery<- read.csv('1_DELIVERY.csv')
summary(delivery)

## ¿*Cuántas variables y registros hay?*
str(delivery)

# *Contamos con 3 variables y 380 observaciones.* 
  
### *Contar total de pedidos por cliente*
deliverySUM = colSums(delivery[4])

as.data.frame(deliverySUM)
# *Contamos con 52,0281 pedidos*

## Llamar base de datos.
deliveryCLIENTS<- read.csv('2 DeliveryCLIENTS.CSV')
summary(deliveryCLIENTS)

deliveryCLIENTS = colSums(deliveryCLIENTS[2:21])
as.data.frame(deliveryCLIENTS)
barplot(deliveryCLIENTS)

# Con este plot podemos ver que hay muchos clientes con muy pocos pedidos.
  
  
## Técnicas de Limpieza** 
  
### Técnica 1: eliminar NA's
#  *Se decidió realizar está técnica para asegurarnos de que no se tenga falta de datos y en caso de tenerlos evitar que estas eviten tener un analisis asertivo al no agregar valor a la base de datos.*
  
### ¿Cuántos NA's tengo en la base de datos?
sum(is.na(delivery))

### Cuantos NA tengo por variable?
#**Sapply:** Para contar los NA's.

sapply(delivery, function(x) sum(is.na(x)))

### Remover columnas

delivery1<-delivery

delivery1<-delivery1[delivery1$CLIENTE!="ANTOLIN ARTEAGA", ]
delivery1<-delivery1[delivery1$CLIENTE!="ANTOLIN TOLUCA", ]
delivery1<-delivery1[delivery1$CLIENTE!="STB.1", ]
delivery1<-delivery1[delivery1$CLIENTE!="TRMX.1", ]
delivery1<-delivery1[delivery1$CLIENTE!="ABC.QUERETARO", ]

## *Tabla de Media, Moda y Mediana
table3<-describe(delivery)
knitr::kable(table3)

describe(delivery)

## *Identificar variables* 

# **Cuantitativa:** Discreta, Continua
# **Escala de medición:**Intervalo, Razón 
# **Cualitativa**
# **Escala de medición:** Nominales, Ordinales

Variable<-c("Fecha","STB3","YFTO", "TRMX", "DENSO","HELLA","VARROC","Total.pedidos.mes")
Type<-c("Cuantitativa (discreta)", "Cualitativa", "Cualitativa", "Cualitativa","Cualitativa","Cualitativa","Cualitativa","Cuantitativa (discreta)")
Measurement<-c("Razón","Nominal","Nominal","Nominal","Nominal","Nominal","Nominal","Razón")
table2<-data_frame(Variable,Type,Measurement)

knitr::kable(table2)

## <span style = "color:darkorange">**Gráfica Cualitativa** 

delivery2<-delivery1

delivery2<- aggregate(delivery2$Pedidos, by=list(category=delivery2$CLIENTE), FUN=sum)
pie(delivery2$x, labels = delivery2$category)

# Con esta gráfica podemos darnos cuenta de los clientes que tienen mayores pedidos y en este caso es HELLA en primer lugar y TRMX en segundo lugar.
  
## <span style = "color:darkorange">**Gráfica Cuantitativa** 

delivery2<-delivery2 %>% dplyr::rename(pedidos="x")
delivery2<-delivery2 %>% dplyr::rename(Clientes="category")

delivery2$Clientes<-as.factor(delivery2$Clientes)
ggplot(delivery2, aes(x=Clientes, y=pedidos, fill=pedidos))+
  geom_bar(stat="identity")+
  theme_minimal()+
  labs(title="Pedidos por cliente")

# Esta gráfica sirve para tener de manera más visual el impacto que tiene cada uno de los clientes en la empresa FORM. Podemos ver que HELLA es el cliente más significativo con casi el triple de pedidos que el siguiente cliente con mayores pedidos, TRMX. De lado derecho se tiene una leyenda que muestra la tonalidad de los 'plots' para ver qué tantos pedidos tiene. Por ello, HELLAS tiene un color azul claro, representando más de 250,000 pedidos.
  
## <span style = "color:darkorange">**Comportamiento de clientes por fecha** 

summary(delivery1)

ggplot(delivery1,aes(x=ID_Fecha, y=Pedidos, group=CLIENTE,colour=CLIENTE))+
  geom_line()+
  ggtitle("Pedidos por cliente")

# Con esta gráfica utilizamos el ID Fecha para conocer los pedidos que se tiene por cliente cada mes y vemos un significativo incremento de pedidos en los meses de Septiembre y Octubre. Contamos con una leyenda que indica cada línea con un color para nombrar la información de cada uno de los clientes. 
  
## <span style = "color:darkorange">**Gráfica Boxplot** 

boxplot(delivery1$Pedidos, main= "Pedidos")

delivery3<-delivery1
delivery3$CLIENTE <-as.factor(delivery3$CLIENTE)
ggplot(delivery3, aes(x=CLIENTE, y=Pedidos))+
  geom_boxplot(color="blue", fill="purple")

# En esta gráfica podemos visualizar cuántos pedidos tiene programados cada cliente y los clientes que sobre salen son HELLA y TRMX. Adicional, se muestra la moda de cada uno, así como la mínima de pedidos y la máxima.
```


# <span style = "color:darkorange">**4. Recursos Humanos** 
```{r}
## Limpieza, Transformación y Organización de Bases de Datos

# *Nota: Como parte de la limpieza de datos de ambos documentos, se realizaron los promedios de los valores faltantes de forma manual en Excel.


# __A partir de esta parte del documento, el análisis estará dividido en dos partes. En la primera se analizará la base de datos con la información de los colaboradores actuales de la empresa, mientras que en la segunda se analizarán los datos de aquellos empleados que ya fueron bajas por motivos de despido, renuncia voluntaria, entre otros.__

### BASE DE DATOS: COLABORADORES DE RECURSOS HUMANOS

## 1. Número de registros y variables

### Importar base de datos

df1 <-read.csv('hr csv 1.csv')
summary(df1)


### Tabla de Estadísticas
table_hr<-describe(df1)
knitr::kable(table_hr)

describe(df1)

## 2. Clasificación de variables

variable<-c("No..De.Empleado","APELLIDOS","NOMBRE","FECHA.DE.NACIMIENTO","EDAD","GENERO","RFC","FECHA.DE.ALTA","PRIMER.MES","CUARTO.MES","BAJA","PUESTO","DEPARTAMENTO","SALARIO.DIARIO.IMSS","FACTOR.CRED.INFONAVIT","N..CREDITO.INFONAVIT","LUGAR.DE.NACIMIENTO","CURP","CALLE","NUMERO.INTERNO","COLONIA","MUNICIPIO","ESTADO","CODIGO.POSTAL","ESTADO.CIVIL","TARJETA.CUENTA")
Type<-c(
  "quantitative (continous)",
  "qualitative (discrete)",
  "qualitative (discrete)",
  "qualitative (discrete)",
  "quantitative (continous)",
  "qualitative (discrete)",
  "qualitative (discrete)",
  "quantitative (continous)",
  "quantitative (continous)",
  "quantitative (continous)",
  "quantitative (continous)",
  "qualitative (discrete)",
  "qualitative (discrete)",
  "quantitative (continous)",
  "quantitative (continous)",
  "qualitative (discrete)",
  "qualitative (discrete)",
  "qualitative (discrete)",
  "qualitative (discrete)",
  "quantitative (continous)",
  "qualitative (discrete)",
  "qualitative (discrete)",
  "qualitative (discrete)",
  "quanitative (continous)",
  "qualitative (discrete)",
  "qualitative (discrete)"
)

table<-data.frame(variable,Type)
knitr::kable(table)


## 3. Escalas de medición

variables <- c(
  "No..De.Empleado",
  "APELLIDOS",
  "NOMBRE",
  "FECHA.DE.NACIMIENTO",
  "EDAD",
  "GENERO",
  "RFC",
  "FECHA.DE.ALTA",
  "PRIMER.MES",
  "CUARTO.MES",
  "BAJA",
  "PUESTO",
  "DEPARTAMENTO",
  "SALARIO.DIARIO.IMSS",
  "FACTOR.CRED.INFONAVIT",
  "N..CREDITO.INFONAVIT",
  "LUGAR.DE.NACIMIENTO",
  "CURP",
  "CALLE",
  "NUMERO.INTERNO",
  "COLONIA",
  "MUNICIPIO",
  "ESTADO",
  "CODIGO.POSTAL",
  "ESTADO.CIVIL",
  "TARJETA.CUENTA"
)

tipos <- c(
  "Cuantitativo",
  "Cualitativo",
  "Cualitativo",
  "Cualitativo",
  "Cuantitativo",
  "Cualitativo",
  "Cualitativo",
  "Cuantitativo",
  "Cuantitativo",
  "Cuantitativo",
  "Cuantitativo",
  "Cualitativo",
  "Cualitativo",
  "Cuantitativo",
  "Cuantitativo",
  "Cualitativo",
  "Cualitativo",
  "Cualitativo",
  "Cualitativo",
  "Cuantitativo",
  "Cualitativo",
  "Cualitativo",
  "Cualitativo",
  "Cuantitativo",
  "Cualitativo",
  "Cualitativo"
)

escalas <- c(
  "Intervalo",
  "Nominal",
  "Nominal",
  "Intervalo",
  "Intervalo",
  "Nominal",
  "Nominal",
  "Razón",
  "Razón",
  "Razón",
  "Razón",
  "Ordinal",
  "Nominal",
  "Razón",
  "Razón",
  "Nominal",
  "Nominal",
  "Nominal",
  "Nominal",
  "Razón",
  "Nominal",
  "Nominal",
  "Nominal",
  "Ordinal",
  "Nominal",
  "Nominal"
)

table1 <- data.frame (variables, tipos, escalas)
knitr::kable(table1)


#Las escalas de medición permiten organizar datos en orden jerárquico. Éstas pueden ser clasificadas de acuerdo a una degradación de las características de distintas variables. Entre las variables usadas están nominal (aquellas que son mutuamente excluyentes y no asignan un orden o jerarquía), ordinal (establecen un orden, puede ser creciente o decreciente), intervalo (establecen un orden determinado por un intervalo numérico) y razón (existe un intervalo numérico; el cero representa la ausencia de valor; es un cero absoluto).

## 4. Limpieza de datos

# Remover valores irrelevantes (eliminar renglones duplicados) y conversión de datos son técnicas elegidas para realizar la limpieza de datos debido a las necesidades de la base de datos y el beneficio que generó para el análisis descriptivo, obteniendo información más clara y concisa.


### Eliminar renglones duplicados
df2<-df1
df2<-distinct(df2)

### ¿Cuántos NA's tengo en la base de datos? Primera limpieza
sum(is.na(df2))

### Eliminar columnas
df3<-df2
df3 <- subset(df3, select =-c (X))
df3 <- subset(df3, select =-c (X.1))
df3 <- subset(df3, select =-c (NOMBRE))
df3 <- subset(df3, select =-c (APELLIDOS))
df3 <- subset(df3, select =-c (RFC))
df3 <- subset(df3, select =-c (CUARTO.MES))
df3 <- subset(df3, select =-c (FACTOR.CRED.INFONAVIT))
df3 <- subset(df3, select =-c (CURP))
df3 <- subset(df3, select =-c (CALLE))
df3 <- subset(df3, select =-c (NUMERO.INTERNO))
df3 <- subset(df3, select =-c (TARJETA.CUENTA))

### ¿Cuántos NA's tengo en la base de datos? Segunda limpieza
sum(is.na(df3))

## 5. Análisis Exploratorio de las Bases de Datos

describe(df3)

count(df3, GENERO, sort = TRUE)
count(df3, PUESTO, sort = TRUE)
count(df3, DEPARTAMENTO, sort = TRUE)
count(df3, SALARIO.DIARIO.IMSS, sort = TRUE)
count(df3, LUGAR.DE.NACIMIENTO, sort = TRUE)

tibble(df3)

# En esta primera parte del análisis estadístico descriptivo, vemos que el conteo total de empleados actuales es de 113 y hay un mayor número de mujeres (54%) contra empleados que son hombres (46%).

# En cuanto a los puestos, vemos que existe una gran cantidad de ayudantes generales, pues es el puesto que ocupa mayor capital humano, contra aquellos que ocupan menos que van desde servicio al cliente hasta operadores.

# Entre los departamentos con mayor cantidad de empleados, vemos que está varios y producción retorn. El departamento de "Varios" fue creado para catalogar a aquellos empleados que en la base de datos no tenían definida un área en concreto.

# Vemos que la mayoría de los empleados ganan $180.68 pesos de salario diario por el IMSS y de todos los empleados, se calcula que tienen un promedio de salario diario de $236.62 pesos.

# En cuanto al lugar de origen, vemos que la mayoría de los empleados provienen del Estado de Nuevo León (70%) y Veracruz (11%), viendo que el 19% restante de los empleados son provenientes de Zona Centro o estados colidantes de Nuevo León.


## 5.1 Tabla de frecuencia (1)

# Las tablas de frecuencia son una ordenación en forma de tabla de los datos estadísticos, asignando a cada dato su frecuencia correspondiente, es decir, el número de veces que aparece un determinado valor en un estudio estadístico.


### Tabla de frecuencia: Salario diario de acuerdo al género
proportion <- prop.table(table(df3$GENERO,df3$SALARIO.DIARIO.IMSS))
proportion %>%
  kbl() %>%
  kable_styling()

# Esta tabla de frecuencia representa el valor decimal del salario diario de acuerdo al género, es decir, la cantidad de empleados en valor decimal que reciben cierto salario diario de acuerdo a su género.
```

## BASE DE DATOS: BAJAS DE RECURSOS HUMANOS
```{r}
# __A partir de la siguiente base de datos, se analizará específicamente la información de aquellas personas que se dieron de baja en años anteriores con el objetivo de entender las principales razones de la alta rotación en la empresa.__


### Importar base de datos
df4 <-read.csv('hr_baja csv 2.csv')
summary(df4)

### ¿Cuántos NA's tengo en la base de datos?
sum(is.na(df4))

### Borrar todos los registros NA's de una tabla
df5<-df4
df5<-na.omit(df5)
summary(df5)

### Eliminar columnas
df3<-df2
df3 <- subset(df3, select =-c (APELLIDOS))
df3 <- subset(df3, select =-c (NOMBRE))
df3 <- subset(df3, select =-c (FACTOR.CRED.INFONAVIT))
df3 <- subset(df3, select =-c (CURP))
df3 <- subset(df3, select =-c (CALLE))
df3 <- subset(df3, select =-c (NUMERO.INTERNO))
df3 <- subset(df3, select =-c (TARJETA.CUENTA))


### ¿Cuántos NA's tengo en la base de datos?
sum(is.na(df5))

# Con los datos presentados anteriormente, vemos que la edad promedio de los colaboradores es de 35 años, además de que ganan un promedio de $180 pesos.

## 5.2.1 Tabla cruzada (1)

table(df5$PUESTO, df5$MOTIVO.DE.BAJA)

# En la tabla vemos que se destacan tres razones principales de bajas de empleados, las cuales son: bajas por faltas, renuncia voluntaria o término de contrato. En su mayoría, hubo una baja por faltas del puesto de ayudante general y renuncia voluntaria para el mismo puesto. Al igual que en la base de datos anterior, vemos que el puesto con mayor rotación a nivel histórico es de ayudante general. Esto sugiere que existe un alto número de contrataciones para el puesto debido a una mala gestión administrativa o bajo rendimiento de los empleados.

## 5.2.2 Tabla cruzada (2)

table(df5$GENERO, df5$MOTIVO.DE.BAJA)

# La tabla cruzada anterior nos muestra la relación entre los motivos de baja contra el género, es decir, las principales razones de baja de acuerdo al género de cada empleado. Vemos que hubo un total de 53 bajas del género femenino, destacando las bajas por faltas (representa un 75% de las bajas femeninas). Para el género masculino, hubo un total de 25 faltas, destacando principalmente las bajas por faltas (representa un 60% de las bajas masculinas).

## 5.3 Gráficos de datos cuantitativos y cualitativos (2)

## 5.3.1 Pie chart

### Pie chart: Representación de bajas acorde al estado de residencia
pie(table(df5$ESTADO), col=c("orange","coral1"),
    main="Representación de bajas acorde al estado de residencia")

# La gráfica anterior nos muestra que hay un mayor número de ex-empleados que viven en el Estado de Nuevo León. Sin embargo, hay un porcentaje que reside en Coahuila. Esto se puede interpretar con que hay un alto nivel de rotación existente debido a la lejanía de residencia de los empleados.


### Pie chart: Representación de bajas acorde al género

pie(table(df5$GENERO), col=c("orange","coral1"),
    main="Representación de bajas acorde al género")


# La anterior gráfica de pastel reafirma lo que mencionamos anteriormente. De acuerdo a las bajas realizadas, la mayoría de los ex-empleados son del género femenino.


## 5.4 Gráficos de dispersión (2)

### Gráfica de dispersión: Número de bajas VS. Días trabajados
plot(x= df5$NO.DE.BAJAS,
     y=df5$DIAS.TRABAJADOS)

# La gráfica de dispersión nos muestra la intensidad de relación entre la variable de días trabajados y número de bajas. Esto nos dice que hubo un alto número de bajas de empleados que trabajaron menos de 200 días, es decir, la mayoría de los ex-empleados estuvieron en FORM menos de 1 año.

### Boxplot: Correlación en bajas acorde a variables de género y edad
ggplot(df5, aes(GENERO,SALARIO.DIARIO.IMSS,fill=GENERO)) +
  geom_bar(stat = "identity") +
  scale_fill_brewer(palette = "Set2") + ggtitle("Salario diario por género")

# La gráfica anterior nos muestra la correlación entre el género y el salario diario de los empleados. En este, entendemos que el género femenino tiene un salario diario total más alto que los de género masculino.

```

# <span style = "color:darkorange">**5. Production** 
```{r}
## Importar base de datos

produccion<- read.csv('p1 Base produccion form - Base produccion form - Base produccion form - Base produccion form.csv')
summary(produccion)

# **Producción**
# *3988 registros y 15 variables* 
  
  ## 1. Entender y limpiar la base de datos 
describe(produccion)

### Paso 1. De caracter a fecha (Tecnica 4. Convertir tipos de datos)
bdp<-produccion
bdp$Fecha<- as.Date(bdp$Fecha, format= "%d/%m/%Y")
summary(bdp)
tibble(bdp)

### Paso 2. Eliminar columnas inservibles(Técnica 1. Remover valores irrelevantes)
bdp1<-bdp
bdp1 <- subset(bdp1, select =-c (ID.FORM))
bdp1 <- subset(bdp1, select =-c (INICIO.SEP.UP,FIN.INICIO.DE.SEP.UP, TIEMPO.MATERIALES))
bdp1 <- subset(bdp1, select =-c (HR..FIN, INICIO.de.PROCESO, FIN.de.PROCESO))

### Cambiar nombres
colnames(bdp1)<-c('fecha','cliente','producto','piezas_prog','tiempo_min','esta_arranque','laminas_procesadas','tiempo_calidad')

### Borrar todos los registros NA's de una tabla
bdp2<-bdp1
bdp2<-na.omit(bdp2)
summary(bdp2)

sum(is.na(bdp2))

### Paso 3. Cambiar de caracter a numérico

bdp2$piezas_prog<-as.numeric(bdp2$piezas_prog)               
bdp2$tiempo_min<-as.numeric(bdp2$tiempo_min)                 
bdp2$laminas_procesadas<-as.numeric(bdp2$laminas_procesadas)
bdp2$tiempo_calidad<-as.numeric(bdp2$tiempo_calidad)         

bdp3<-bdp2
bdp3$tiempo_min <- substr(bdp3$tiempo_min, start = 1, stop = 2)
tibble(bdp3)  
bdp3$tiempo_min <- as.integer(bdp3$tiempo_min)
str(bdp3)  

bdp3$piezas_prog <- substr(bdp3$piezas_prog, start = 1, stop = 2)
tibble(bdp3)  
bdp3$piezas_prog <- as.integer(bdp3$piezas_prog)
str(bdp3)

bdp3$laminas_procesadas <- substr(bdp3$laminas_procesadas, start = 1, stop = 2)
tibble(bdp3)  
bdp3$laminas_procesadas <- as.integer(bdp3$laminas_procesadas)
str(bdp3) 

### Paso 4. Cambiar de NA's a promedios 
bdp4 <- bdp3
bdp4$tiempo_min[is.na(bdp4$tiempo_min)]<-mean(bdp4$tiempo_min, na.rm = TRUE)
summary(bdp4) 

### Paso 5. Cambiar de NA's a 0
bdp5 <- bdp4
bdp5$laminas_procesadas[bdp5$laminas_procesadas < 1]<- NA
summary(bdp5)

### Paso 6. Borra NA's
bdp6 <- bdp5
bdp6 <- na.omit(bdp6)    
str(bdp6)

### Verificar eliminación de NA´s
colSums(is.na(bdp6))
summary(bdp6)

str(bdp6)
summary(bdp6)

sum(is.na(bdp6))

## 2.Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua y Escalas de Medicion.

Variable<-c("Fecha ","cliente","producto", "Piezas programadas","tiempo min","Estacion de arranque","Laminas procesadas", "Tiempo de calidad")
Type<-c("Cualitativa","Cualitativa","Cualitativa", "Cuantitativa(Discreta)", "Cuantitativa(Discreta)","Cualitativa", "Cuantitativa(Discreta)", "Cuantitativa discreta")
Medicion <-c("Nominal", "Nominal","Nominal", "Intervalo", "Intervalo","Nominal", "Intervalo", "Intervalo") 
table<-data.frame(Variable,Type, Medicion)
knitr::kable(table)

### Exportar csv
bdl<-data.frame(x = rnorm(10), y = rnorm(10))
write.csv(bdp5, "exportada_produccion_csv")

bdl<-read.csv("exportada_produccion_csv")

## Datos descriptivos 
## *Tabla de Media, Moda y Mediana
# Los datos muestran una desviación estándar y datos muy alejados entre los puntos variables, lo cual nos indica una alteración en la uniformidad de los datos. Esto representa alguna falla en los datos o bien, un punto a considerar en el área productiva.

bd6<-bdl
tabla<-describe(bd6)

### Gráficas

#### Barplots-3

# Recopilando la informacion me tope con estos datos lo cual nos informa acerca de los clientes mas destacados para form y el tiempo minimo de tardanza en el ensamblaje de los productos, en este caso el primer lugar con mas eficiencia por cliente fue stabilus en la primera vuelta.
# Nota: LA visualizacion no se completa en este rmd, para mejor visualizacion ver archivo individual.

bd6<-bd6 %>% select(piezas_prog,tiempo_min,cliente ) %>% group_by(cliente) %>% 
summarise(piezas_prog=sum(piezas_prog),tiempo_min=sum(tiempo_min)) %>% arrange(desc(piezas_prog))

bd6<-bd6[-c(7,8,9),]

ggplot(bd6,aes(x=reorder(tiempo_min,piezas_prog), y=piezas_prog,fill=cliente)) +
  geom_bar(stat="identity")

# Dentro de esta segunda tabla de barras se muestra la cantidad de piezas programadas que se tuvo por mes en los periodos de los meses Julio, Agosto y Septiembre. Esto nos dice acerca de la mayor productividad de Agosto viendo que hay una inversión en tiempo mayor para DENSO y VARROC. Es necesario evaluar qué tan productivo o ineficiente es esto en cuanto a calidad productiva.

  datoscopia<-bdl
datoscopia$ano<-strftime(datoscopia$fecha, "%Y")
datoscopia$mes<-strftime(datoscopia$fecha, "%m")

data_agg<- aggregate(piezas_prog~mes + ano, datoscopia, FUN = sum)
data_agglamina<- aggregate(laminas_procesadas~mes + ano, datoscopia, FUN = sum)
ggplot(data_agg,aes(x=mes,y=piezas_prog)) +
  geom_bar(stat="identity")

# En esta gráfica se puede visualizar la dependencia del tiempo mínimo de producción con las piezas programadas dependiendo de la estación de arranque. La mayor productividad general tiene una relación con la estación C1 y la C1y2 ya que se ve que es la que menos tiempo hace con más procesamiento de láminas.

ggplot(datoscopia,aes(x=tiempo_min, y=piezas_prog,fill=esta_arranque)) +
  geom_bar(stat="identity")


#### Dispersion-2
# En esta tabla se muestra un claro ejemplo de comparación que entre más tiempo de calidad se le dé al cliente, se logrará hacer un tiempo menor, agilizando los procesos y terminándolos más rápido como fue con los clientes en azul.

ggplot(datoscopia, aes(x=tiempo_calidad, y=tiempo_min, color=cliente)) +
  geom_point() + geom_rug()

# En esta grafica se tiene la intención de ver a los compradores predominantes dentro de FORM durante los tres meses predictivos, esto para poder lograr una atención especializada y ver más o menos el tiempo que toman sus productos y generar un tipo de procesos más fluido.

ggplot(datoscopia, aes(x=cliente, y=laminas_procesadas, color=mes)) +
  geom_point() + geom_rug()


### Series de tiempo-1
# Aquí se puede ver una serie de tiempo no lineal, lo cual nos dice que no se tienen procesos claros y estables para la producción, lo cual lo convierte en un proceso variable y con fallas en los tiempos de entregas como resultado.

ggplot(datoscopia,aes(x=fecha))+
  geom_line(aes(y=piezas_prog),color="orange")+
  labs(x="Fecha",y="piezas programadas", color="orange")+
  ggtitle("Grafica de tasa de rendimiento")

```
```{r}
# <span style = "color:darkorange"> **6. Base de Datos Externa** 

### Pronosticar el desempeño de la industria automotriz (EUA y MEX) para los 3 periodos de tiempo.

externo<- read.csv('externa_bd3 csv3.csv')
summary(externo)

### Crear serie de tiempo

produccion_mexico<- c(externo$MEX)
produccion_usa<- c(externo$USA)


produccionm<-ts(data=produccion_mexico, start=c(2016,1), frequency=1)
produccionu<-ts(data=produccion_usa, start=c(2016,1), frequency=1)
produccionm
produccionu


modelom<- auto.arima(produccionm, D=1)
modelou<- auto.arima(produccionu, D=1)
modelom
modelou


pronosticom <- forecast(modelom, level=c(95), h=4)
pronosticom
plot(pronosticom)

# Esta gráfica nos muestra el pronóstico estimado de acuerdo a los años de producción analizados. La base de datos nos muestra que el pronóstico de desempeño de la industria automotriz para EUA y México. De acuerdo a los resultados, ha habido un crecimiento ascendente en lal demanda desde 2016. Para años próximos, se pronostica que el desempeño de la indutria seguirá incrementando. Viendo los puntos azules, esto muestra un desempeño constante y significativo. En cuanto al apartado sombreado, este nos muestra el posible crecimiento ascendente o descendente que podría tener la demanda en años futuros, aunque como vemos, el pronóstico estima que será positivo.

pronosticou <- forecast(modelou, level=c(95), h=4)
pronosticou
plot(pronosticou)

# La gráfica nos muestra un segundo punto de ascendencia. Al igual que el anterior, en el "eje x" vemos los valores de año y en el "eje y" la producción. A pesar de que esta gráfica refleja un pronóstico ascendente positivo, vemos que es mucho más constante y lineal que el anterior. Esto nos dice que hay una significancia elevada aunque menos ascendente que la primera gráfica.

### Pronosticar el desempeño de produccion de Form para los proximos 3 periodos de tiempo.

produccionform<- read.csv('p2 Form_produccionbaselimpia.csv')
summary(produccionform)

### Crear serie de tiempo

produccionform<- c(produccionform$laminas_procesadas)


produccionf<-ts(data=produccionform, start=c(2022,7), end=c(2025, 12), frequency=12)

produccionf


modelof<- auto.arima(produccionf, D=1)

modelof


pronosticof <- forecast(modelof, level=c(95), h=3)
pronosticof
plot(pronosticof)


### Describe los resultados 
# Realizamos una serie de tiempo tanto para la base de la industria automotriz como para la base de producción de FORM, este es enfocado a las laminas procesadas cada mes y en la industria es por año. Para poder realizar este Analisis de Resultado realizamos una grafica y un modelo de Predicción por medio de la función auto.arima. Gracias a esta función, le especificamos desde que Fecha empezará a obtener datos de la base de Datos y también colocamos la frecuencia, que se refiere a cómo se comporta, en cuestión a si se va a calcular por mes o por año. Así mismo, obtuvimos para la industria tanto en México como en EU, que son los países en los que se enfoca más FORM y obtengan mejor oportunidad de crecimiento. Al realizar este modelo calculamos para los próximos 3 periodos, en este caso para el 2025 y obtuvimos los siguientes resultados:

#  - *Industria Automotriz en México*: 
  
# 1. Partiendo de un margen del 95%, queriendo decir, que este modelo es más preciso por lo que al ver la grafica obtenemos      que tendrá un incremento constante en los próximos 3 años, partiendo del 2022. 
# 2. Este crecimiento de la industria automotriz en México se estima un crecimiento del 16% para 2025, lo que beneficia a      FORM para continuar produciendo en el mercado Mexicano. 

# - *Industria Automotriz en Estados Unidos*: 
  
# 1. Para 2022 el pronostico es de 59 mil, que este se puede mantener constante en los próximos 3 años hasta 2025
# 2. Se obtiene un escenario optimista con la precisión del 95%, lo que quiere decir que para finales del 2025, puede estar igual en 59 mil o aumentar hasta los 69 mil. Esto indicaría que va en aumento año con año y terminaría el 2025 con un aumento del casi 20%. Lo que indicaría algo bueno para FORM, dandole oportunidad a aumentar su cartera de clientes dentro del mercado Estadounidense y teniendo un buen impacto de la industria para los próximos periodos. 

# - *Empresa FORM*:
  
# 1. Se hizo el pronostico por mes y dando un periodo hasta el 2026, partiendo del 2022 con 3 en cuanto a producción de laminas procesadas, se estima que este tenga un aumento constante, ademas de que entre el 2024 y 2025 tenga un punto de pique más alto, que posteriormente volverá a estabilizarse pero que se mantendrá constante entre los 10 a 20 en producción.

# 2. Se pronostica que para el 2026 se tenga un 33 en producción del área de laminas procesadas, teniendo una precisión del 95% en un escenario optimista. Así mismo este se puede mantener constante en 10 o aumentar como se comentó anteriormente y este crecimiento a términos del 2026 tomando el escenario optimista, sería de poco mas del 90% lo que sería un gran aumento para FORM. También si fuera sin el 95% para inicios del 2026 serían 16 en producción con el 60% de aumento, lo que seguiría siendo algo importante para FORM.
```


# <span style = "color:darkorange">**6.Base de Datos Externa**
```{r}
# En esta base de datos externa se analizó una serie de tiempo enfocada principalmente en EUA y México ya que son las principales áreas de interés para la empresa de FORM. 

# Un hallazgo es que la industria automotriz en México se mantendrá en constante crecimiento en un lapso de 3 años en un futuro. Con un pronóstico de un 95% lo cual es muy óptimo a que suceda. 

# Si se analiza hasta el año 2025, existe un 16% de crecimiento en la industria, por lo que a FORM, le conviene hoy en día continuar con la mano de obra en México y seguir vendiendo a compañías extranjeras. 

# Por la parte de EUA, se espera un crecimiento para el 2025 de un 20% , por lo que nos determinó que la industria automotriz estado unidos se mantiene en constante crecimiento año tras año. 

# Para la empresa de FORM, se espera que exista un crecimiento en los próximos años en lo que es la producción de láminas procesadas, se espera que este tenga un aumento constante, por lo que sería una ventaja competitiva preparar los procesos de láminas desde este año para que en los próximos años que este proceso de laminado aumente no existan tantos errores buscando perfeccionar el proceso.
```

# <span style = "color:darkorange">**7. K-Means Clustering**

```{r}
## Cluster 3
## Importar base de datos

cluster3<-read.csv("HR_Bajas 2.csv") 
summary(cluster3)

str(cluster3)

## Número de clusters
## Juntar los datos relacionados a edad en años
newbd<-cluster3 %>% select(EDAD,SALARIO.DIARIO.IMSS,PUESTO)
summary(newbd)

## Normalizar los datos
newbdnorm<-scale(newbd[2:1])

## Gráfica para ver número óptimo de clusters
fviz_nbclust(newbdnorm, kmeans, method="wss")+ # wss method considers total within sum of square
  geom_vline(xintercept=4, linetype=2)+           # optimal number of clusters is computed with the default method = "euclidean"
  labs(subtitle = "Elbow method")

# Esta gráfica justifica que lo ideal es realizar 4 clusters para tener un entendimiento ideal de los datos.

## Visualizar información
newbd2clus<-kmeans(newbdnorm,4)
newbd2clus

## Ver resultados de clusters
fviz_cluster(newbd2clus,data=newbdnorm)

## Agregar los resultados al dataset original para interpretación
newbd3<-newbd 
newbd3$Clusters<-newbd2clus$cluster
summary(newbd3)

## Crear datasets para ver la información de características por edad por clusters
newbd4<-newbd3 %>% group_by(Clusters,PUESTO) %>% summarise(EDAD=max(EDAD),SALARIO.DIARIO.IMSS=mean(SALARIO.DIARIO.IMSS)) %>% arrange(desc(EDAD))
summary(newbd4)

## Agregar clusters por nombre
newbd3$Cluster_Names<-factor(newbd3$Clusters,levels = c(1,2,3,4), 
                          labels=c("Joven", "Avanzado ", " Adulto", "Jubilado"))
summary(newbd3)

## Agrupar por nombre y por columna
newbd5 <- newbd3%>% group_by(Cluster_Names,PUESTO) %>% dplyr:: summarize(EDAD=max(EDAD), 
                                                       SALARIO.DIARIO.IMSS =mean(SALARIO.DIARIO.IMSS),
                                                         Count=n())
## Visualizar gráficas
## Poner como tabla los datos
clusterssalario<-as.data.frame(newbd5)
clusterssalario

## Graficar por nombre
ggplot(newbd5,aes(x=reorder(Cluster_Names,Count),y=Count,fill=Cluster_Names)) +
  geom_bar(stat="identity")

## Salario diario por número de clusters
ggplot(newbd5, aes(x=Cluster_Names,y=SALARIO.DIARIO.IMSS,fill= Cluster_Names,label=round(SALARIO.DIARIO.IMSS,digits=2))) + 
  geom_col() + 
  geom_text()

# Aquí nos podemos dar cuenta que los sueldos no varían mucho entre edades, pero es importante decir que se denota por centavos una mayoría en el sueldo de los jóvenes, específicamente más que en otros rangos de edades.

## Hallazgos relevantes de los clusters
# 1. El salario diario promedio de FORM es de $180 pesos mexicanos, es decir, $5,400 pesos mensuales. De acuerdo a datos compartidos por la INEGI, se prevé que para 2022 el salario mínimo en México sea de $5,255 pesos mensuales. Esto refleja que el salario mensual de FORM es 2% mayor al salario mínimo del país.
# 2. Se destacan tres razones principales de bajas de empleados: bajas por faltas, renuncia voluntaria o término de contrato. En su mayoría, hubo una baja por faltas del puesto de ayudante general y renuncia voluntaria para el mismo puesto.
# 3. Hubo un alto número de bajas de empleados que trabajaron más de 200 días, es decir, la mayoría de los ex-empleados estuvieron en FORM más de 1 año y tenían un salario promedio de $180 pesos.
# 4. Los sueldos de los empleados no varían mucho dependiendo de la edad. Sin embargo, vemos que hay mayor rotación para el grupo ‘adulto’
```

```{r}
## Cluster 1
library(foreign)
library(dplyr)        # data manipulation 
library(ggplot2)      # data visualization 
library(psych)        # functions for multivariate analysis 
library(corrplot)     # correlation plots
library(jtools)       # presentation of regression analysis 
library(lmtest)       # diagnostic checks - linear regression analysis 
library(car)          # diagnostic checks - linear regression analysis
library(factoextra)   # provides functions to extract and visualize the output of exploratory multivariate data analyses
library(ggfortify)    # data visualization tools for statistical analysis results
```


```{r}
## Llamar base de datos.
rh <- read.csv('HR_Bajas 2.csv')

rh1<-rh %>% dplyr:: select(EDAD,DIAS.TRABAJADOS,SALARIO.DIARIO.IMSS,GENERO)
summary(rh1)

## Normalizar los datos
rh1_norm<-scale(rh1[2:3]) 

## Número óptimo de clusters
fviz_nbclust(rh1_norm, kmeans, method="wss")+ # wss method considers total within sum of square
  geom_vline(xintercept=4, linetype=2)+           # optimal number of clusters is computed with the default method = "euclidean"
  labs(subtitle = "Elbow method") 
  
## Visualizar la información de clusters
rh1_cluster<-kmeans(rh1_norm,4)
rh1_cluster
  
## Visualizar resultados
fviz_cluster(rh1_cluster,data=rh1_norm)

# El primer cluster analiza la relación entre el salario diario IMSS y los días trabajados de los empleados que ya fueron dados de baja. En este caso, vemos que hay un impacto alto entre aquellos empleados que trabajaron de 2 a 8 días, pero tuvieron un salario diario bajo, mucho menor a 0 en la gráfica. Los otros dos resultados, se muestra que trabajaron menos días, pero al igual que el primer cluster explicado, tuvieron un salario muy bajo. Con estos tres, hay una correlación alta, significativa y negativa. Para el grupo de arriba, vemos que estos trabajaron un promedio de 2-3 días y tuvieron un salario diario muy alto. Podemos inferir que este grupo pertenece al área administrativa, que como vimos en análisis anteriores, son el grupo con un salario mucho más alto al resto.

rh2<-rh1
rh2$Clusters<-rh1_cluster$cluster
summary(rh2)

## Crear un dataset
rh3<-rh2 %>% group_by(Clusters) %>% summarise(SALARIO.DIARIO.IMSS=max(SALARIO.DIARIO.IMSS), DIAS.TRABAJADOS=mean(DIAS.TRABAJADOS)) %>% arrange(desc(SALARIO.DIARIO.IMSS))
summary(rh3)

## Agrupar clusters por nombre
rh2$Cluster_Names<-factor(rh2$Clusters,levels = c(1,2,3,4), 
                          labels=c("Bajo", "Promedio ", "Arriba del prom", "Alto"))
summary(rh2)

## Agrupar y dar resumen por nombres
rh4 <- rh2%>% group_by (Cluster_Names, GENERO) %>% dplyr:: summarize(DIAS.TRABAJADOS=max(DIAS.TRABAJADOS), 
                                                     SALARIO.DIARIO.IMSS =mean(SALARIO.DIARIO.IMSS),
                                                             Count=n())

## Dar formato de tabla para enseñar la información de los clusters
clusters<-as.data.frame(rh4)
clusters

## Graficar el número de datos observados por nombre de clusterslets
ggplot(rh4,aes(x=reorder(Cluster_Names,Count),y=Count,fill=Cluster_Names)) +
  geom_bar(stat="identity")

# De acuerdo a la clasificación de clusters, la gráfica anterior nos muestra el impacto y conteo de cada cluster dependiendo del grupo de baja analizado, es decir, vemos la relación entre días trabajados y salario diario, clasificando el conteo acorde a la cantidad de bajas obtenidas. En este caso, en la gráfica se muestra que aquellos que trabajaron más de 600 días y menos de 1900 días, obtuvieron un salario promedio de $500 pesos diario. Entra en la categoría de ‘bajo’, ya que sólo una persona obtuvo esta descripción. El promedio de las personas dadas de baja trabajaron más de 1900 días y obtuvieron un salario diario de $170 pesos. En la barra de ‘alto’ vemos a aquellos ex-empleados que trabajaron 421 días y tuvieron un salario diario de $150 pesos. Por último, vemos a aquellos ‘arriba del promedio’ y son aquellos que tabajaron un promedio de 455 días y tuvieron un salario diario de $180 pesos. Este último grupo es el que tuvo mayor conteo de personas, es decir, la mayoría de las bajas estuvieron laborando más de un año en FORM y tenían un salario diario de $180 pesos.

## Ver rangos
## Rangos de "días trabajados" por nombre
ggplot(rh4, aes(x=Cluster_Names,y=DIAS.TRABAJADOS,fill= Cluster_Names,label=round(DIAS.TRABAJADOS,digits=2))) + 
  geom_col() + 
  geom_text()
  
# La gráfica anterior nos presenta la cantidad de días trabajados de acuerdo a la clasificación explicada anteriormente de ‘bajo’, ‘promedio’, ‘arriba del promedio’ y ‘alto’. Con esto en mente, vemos que el promedio de los empleados juntaron un total de 1966 días trabajados, siguiéndole el grupo de ‘bajo’, los que laboraron un promedio de 628 días, luego ‘arriba del promedio’ que laboró 455 días y finalmente ‘alto’, que únicamente laboró 421 días. En todos los grupos, vemos que los empleados trabajaron por más de 1 año en FORM y ganaban un salario diario mayor a $150 pesos.

## Rango de "salario diario"
ggplot(rh4,aes(x=Cluster_Names,y=SALARIO.DIARIO.IMSS,fill= Cluster_Names,label=round(SALARIO.DIARIO.IMSS,digits=2))) + 
  geom_col() + 
  geom_text()

# La gráfica anterior nos presenta la relación entre el salario diario IMSS y la clasificación explicada anteriormente de ‘bajo’, ‘promedio’, ‘arriba del promedio’ y ‘alto’. Con esto en mente, vemos que el segmento ‘bajo’ es el que tenía un salario más alto que la mayoría. El promedio ganaba un salario diario de $170,79 pesos, ‘arriba del promedio’ ganaba $180,54 pesos y el segmento ‘alto’ gabana un promedio de $151,61 pesos de salario diario. Esto denota una variabilidad alta y podemos suponer que esto se debía de acuerdo a las responsabilidades y puestos analizados.

## Dispersión de "días trabajados"
ggplot(rh2, aes(x=Cluster_Names, y=DIAS.TRABAJADOS, fill=Cluster_Names)) +
  geom_boxplot()+
  ggtitle("Dispersión of 'Días trabajados' by Clusters Names")

# La gráfica anterior explica la dispersión de días trabajados de acuerdo a la clasificación explicada anteriormente de ‘bajo’, ‘promedio’, ‘arriba del promedio’ y ‘alto’. Con esto en mente, vemos que el grupo con mayor dispersión es ‘promedio’, pues hay una variabilidad más significativa en los datos de la cantidad de días trabajados, destacando la media de días trabajados, es decir, 1000 días. En el caso de ‘bajo’, hay una dispersión baja y poco variable. Para ‘arriba del promedio’, vemos que los puntos atípicos se salen del boxplot específico, lo cual quitarlos nos puede dar mayor claridad y visibilidad de la información. Para ‘alto’ se muestra una dispersión menor a ‘promedio’ y al igual que ‘arriba del promedio’, tiene aparición de puntos atípicos.

## Dispersión de "salario diario"
ggplot(rh2, aes(x=Cluster_Names, y=SALARIO.DIARIO.IMSS, fill=Cluster_Names)) +
  geom_boxplot()+
  ggtitle("Dispersion of 'Salario_Diario' by Clusters Names")

# La gráfica anterior explica la dispersión de salario diario de acuerdo a la clasificación explicada anteriormente de ‘bajo’, ‘promedio’, ‘arriba del promedio’ y ‘alto’. ‘Bajo’ muestra un salario diario de $500 pesos, ‘promedio’ muestra un salario de $180 pesos aprox y puntos atípicos que podrían insinuar un salario menor, ‘arriba del promedio’ también muestra puntos atípicos. Sin embargo, todos se mantienen al igual que el dato anterior entre $170 y $180 pesos de salario diario, Finalmente, ‘alto’ muestra un salario diario abajo del promedio de aprox. $140 pesos.


## Cluster 2

## Importar base de datos.
rhCluster2<-read.csv("HR_Bajas 2.csv") 
summary(rhCluster2)

str(rhCluster2)

## Exportar 'k-means' en edad por años
humanos5<-rhCluster2 %>% select(EDAD,DIAS.TRABAJADOS,SALARIO.DIARIO.IMSS,ESTADO.CIVIL)
summary(humanos5)

## Normalizar los datos
rhCluster_norm<-scale(humanos5[1:2]) 

## Calcular número de clusters
fviz_nbclust(rhCluster_norm, kmeans, method="wss")+ # wss method considers total within sum of square
  geom_vline(xintercept=4, linetype=2)+           # optimal number of clusters is computed with the default method = "euclidean"
  labs(subtitle = "Elbow method")

## Ver datos de los clusters
rh_cluster2<-kmeans(rh1_norm,4)
rh_cluster2

## Visualizar clustering
fviz_cluster(rh_cluster2,data=rhCluster_norm)

# La gráfica anterior muestra 4 clusters que analizan la relación entre edad y días trabajados. El cluster verde muestra que un alto número de personas tabajaba más días que el promedio y tenía una edad similar al promedio. El punto naranja muestra que pocos usuarios trabajaban más días que el promedio y al igual que el punto anterior, tenían una edad promedio. En el caso del punto azul y el morado, ambos muestran que un mayor grupo de personas laboraba ‘2 días’, pero tenía mayor variabilidad en la edad.

## Agregar la información al dataset original
humanos6<-humanos5
humanos6$Clusters<-rh_cluster2$cluster
summary(humanos6)

## Crear dataset
humanos7<-humanos6 %>% group_by(Clusters, ESTADO.CIVIL) %>% summarise(EDAD=max(EDAD),DIAS.TRABAJADOS=mean(DIAS.TRABAJADOS)) %>% arrange(desc(EDAD))
summary(humanos7)

## Agrupar clusters por nombre
humanos6$Cluster_Names<-factor(humanos6$Clusters,levels = c(1,2,3,4), 
                               labels=c("Joven", "Avanzado ", " Adulto", "Jubilado"))
summary(humanos6)

# Entre más joven, más días trabajados.

## Agrupar por clusters y resumir columnas
humanos8 <- humanos6 %>% group_by(Cluster_Names, ESTADO.CIVIL) %>% dplyr:: summarize(EDAD=max(EDAD), 
                                                       DIAS.TRABAJADOS =mean(DIAS.TRABAJADOS),
                                                         Count=n())


## Convertir a tabla
clusters2<-as.data.frame(humanos8)
clusters2

## Visualizar gráficos
## Ver los días trabajados en general junto con la edad
ggplot(humanos8,aes(x=reorder(Cluster_Names,Count),y=Count,fill=Cluster_Names)) +
  geom_bar(stat="identity")

# La gráfica anterior nos muestra la cantidad de días trabajados de acuerdo a la edad de los empleados. En este caso, vemos que el grupo de edad ‘joven’ tenían aprox. 31 años y representa un bajo porcentaje de los empleados. Para ‘avanzado’ son los empleados que tienen arriba de 32 años y laboraron la mayor cantidad de días (1067). Para ‘jubilado’, son las personas con un aprox. de 50 años y que laboraron durante 102 días. Finalmente, para el grupo de ‘adulto’ (el más elevado), son aquellos que laboraron un promedio de 44 días y tienen la edad de 52 años.

## Días trabajados por nombre de clusters
ggplot(humanos8, aes(x=Cluster_Names,y=DIAS.TRABAJADOS,fill= Cluster_Names,label=round(DIAS.TRABAJADOS,digits=2))) + 
  geom_col() + 
  geom_text()

# La gráfica anterior nos muestra la cantidad de días trabajados de acuerdo a los días trabajados. En este caso, esto nos muestra que el grupo con mayor bajas fueron del segmento ‘adulto’ y es el que laboró en promedio un menor número de días contra ‘avanzado’ que es el segundo grupo más bajo y laboró el mayor número de días en promedio.

## Edad por nombre de clusters
ggplot(humanos8,aes(x=Cluster_Names,y=EDAD,fill= Cluster_Names,label=round(EDAD,digits=2))) + 
  geom_col() + 
  geom_text()

# La gráfica anterior nos muestra la edad promedio de cada uno de los grupos. Como explicamos anteriormente, se muestra que ‘adulto’ es el de empleados con mayor edad y ‘joven’ es el de personas de menor edad.

### Dias trabajados por nombre de clusters


ggplot(humanos8, aes(x=Cluster_Names,y=DIAS.TRABAJADOS,fill= Cluster_Names,label=round(DIAS.TRABAJADOS,digits=2))) + 
  geom_col() + 
  geom_text()


#La gráfica anterior nos muestra la cantidad de días trabajados de acuerdo a los días trabajados. En este caso, esto nos muestra que el grupo con mayor bajas fueron del segmento 'adulto' y es el que laboró en promedio un menor número de días contra 'avanzado' que es el segundo grupo más bajo y laboró el mayor número de días en promedio.

### Edad por nombre de clusters 


ggplot(humanos8,aes(x=Cluster_Names,y=EDAD,fill= Cluster_Names,label=round(EDAD,digits=2))) + 
  geom_col() + 
  geom_text()



# La gráfica anterior nos muestra la edad promedio de cada uno de los grupos. Como explicamos anteriormente, se muestra que 'adulto' es el de empleados con mayor edad y 'joven' es el de personas de menor edad.

## Días trabajados por nombre de clusters
ggplot(humanos6, aes(x=Cluster_Names, y=EDAD, fill=Cluster_Names)) +
  geom_boxplot()+
  ggtitle("Dispersion of 'Edad' by Clusters Names")

# La gráfica anterior nos muestra la dispersión de acuerdo a la edad de los empleados. En el caso de ‘adulto’, tiene una gran cantidad de puntos atípicos lo cual indica que hay datos fuera de serie. En el caso de ‘jubilado’, vemos que es el grupo con mayor dispersión, mostrando datos de edad entre 25 y 32 años.

## Salario diario por nombre de clusters
ggplot(humanos6, aes(x=Cluster_Names, y=DIAS.TRABAJADOS, fill=Cluster_Names)) +
  geom_boxplot()+
  ggtitle("Dispersion of 'Dias_Trabajados' by Clusters Names")

# La gráfica anterior muestra la dispersión de acuerdo a días trabajados y los grupos anterior explicados. Vemos que ‘avanzado’ es el gurpo con mayor dispersión, mostrando que el promedio de los empleados laboraron entre 550 y 1300 días. Es el grupo con mayor número de empleados que trabajaron en este periodo de tiempo. En el caso de ‘adulto’ y ‘jubilado’, son aquellos grupos que muestran una dispersión baja y una variedad de puntos atípicos, mientras que ‘joven’ destaca una baja dispersión y una media de más de 500 días trabajados.


```


# <span style = "color:darkorange">**7.1 Predicción** 
```{r}
library(TSstudio)

### Llamar base de datos

Companies <-read.csv("externa_bd1 csv1.csv")
summary(Companies)

### 1. Limpieza, Transformación y Organización de Bases de Datos

str(Companies)
describe(Companies)

#### Nota: Debido a la versión de R, nos deja descargar el paquete "psych". Sin embargo, no nos deja llamar a la librería "psych", por lo tanto utilizamos str, para obtener el numero de las variables de la base de datos.

### 2. Clasificación de variables
#### Realizamos una tabla para poder clasificar cada una de las variables de la base de Datos bd1

Variable<-c("Geography","Category","Data.Type", "Unit","Current Constant","Years")
Type<-c("Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa", "Cuantitativa (Continua)")
table<-data.frame(Variable,Type)
knitr::kable(table)

### 3. Escala de Medición
#Realizamos una tabla donde viene clasificado cada variable y agregamos una columna con la escala de medición para cada variable. 

Variable<-c("Geography","Category","Data.Type", "Unit","Current Constant","Years")
Type<-c("Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa", "Cuantitativa (Continua)")
Escala_de_Medición <- c("Países", "Producto", "Departamento","Tipo de Moneda", "Precio actual", "Ganancia (Razon)")
table<-data.frame(Variable,Type,Escala_de_Medición)
knitr::kable(table)


### 4. Limpieza de datos
#### La primer tecnica de limpieza que utilizamos fue, eliminar columnas debido a que contabamos con datos los cuales no eran relevantes para el análisis. 
#### La segunda herramienta de limpieza que utilizamos para la visulización de los datos fue implementar una nueva columna como el total de la Producción de las variables que se producen por país.

### Remover Valores Irrelevantes

#### Eliminar columnas
bd1 <- Companies
bd1<-subset(bd1,select=-c(Category,Data.Type,Current.Constant))
str(bd1)

#### Agregar Columnas
bd1$Total_Produccion<- bd1$X2016+bd1$X2017+bd1$X2018+bd1$X2019+bd1$X2020+bd1$X2021
bd1$Promedio_X2021<- mean(bd1$X2021)

summary(bd1)
str(bd1)

#### ¿Cuántos NA's tengo en la base de datos?
sum(is.na(bd1))

#### Nota: Se eliminan Category, Data.Type y Current.Constant, ya que no nos sirven, debido a que es el mismo dato para todos los registros y es algo que no nos aporta alguna información.

### 5. Análisis Exploratorio de las Bases de Datos

describe(bd1)

# En el análisis descriptivo se muestran los valores promedio del total de producciones de 2016 a 2021.

### Tabla de Frecuencia
bd2 <- table(bd1$Unit)
bd2 <- prop.table(bd2)
bd2

### Tabla cruzada
table(bd1$Unit, bd1$Promedio_X2021)

# La tabla nos muestra la cantidad promedio en millones producida en 2021 por cada unidad monetaria. En este caso, vemos que en 2021 se produjo en promedio más de 1MM de "currencies" (no se puede definir una unidad monetaria específica debido a que estamos ponderando distintas monedas internacionales). Conforme se analiza la tabla, vemos que el euro generó 18 veces el promedio de producción de cartón estimado para 2021, es decir, es la moneda internacional que más produjo cartón a nivel internacional en 2021. La siguiente moneda con mayor capacidad de producción fue USD millions.

### Gráficas de datos Cualitativas y Cuantitativas

#### Cualitativa con Unit
barplot(bd2, xlab='Tipo de Moneda',
        ylab='Frecuencia Relativa', las=1)

# La gráfica nos muestra que de acuerdo a la frecuencia relativa de producción, Indonesia es la unidad monetaria que más cartón ha entregado.

#### Cuantitativa con Total_Produccion
bd3 <- bd1
aggregate(x=bd3$Total_Produccion, by=list(bd3$Geography),FUN=sum)

# En la tabla anterior se muestra el total de producción generado por cada país. Haciendo una ponderación de los 5 países que mayor producción de cartón tienen (haciendo un conteo histórico de 2016 a 2021), vemos que se destacan Irán, Vietnam, Corea del Sur, Japón e Indonesia.

hist(log(bd1$Total_Produccion), main = "Histograma de Producción Total", xlab="Producción Total", 
     ylab="Frecuencia", col="blue1")

# En la gráfica anterior se simboliza la distribución de la muestra respecto a la producción total y la frecuencia de ésta. De acuerdo a la frecuencia total, vemos que se tiene una mayor producción por frecuencia entre 10 y 15, es decir, la producción total es más alta y tiene una frecuencia mayor a 15 que se muestra como el más elevado en el histograma.

### Gráficas de Dispersión

#### Relación Geography con Producción Total
ggplot(bd1, aes(x=Total_Produccion, y=Geography)) + 
  geom_point(shape=19, size=3) + labs(title = "Relación entre los Países y la Producción Total",caption ="Passport_ProducciónCarton",x="Producción_Total", y="Geography") + theme_classic()

# En la gráfica anterior se muestra la relación entre los países y la producción total. Se ve que hay una dispersión mayor para los países en el centro de la gráfica. Esto significa que hay más irregularidad en la producción total que han generado.

boxplot=subset(bd1,select = -c(Total_Produccion,Geography))
boxplot(bd1$Total_Produccion, main= "Total de producción")

# En la gráfica anterior vemos el total de producción de acuerdo a la geografía. Al igual que la gráfica anterior, hay una correlación mayor acorde al total de producción.

Vol<-ts(boxplot,start=c(2016,1),frequency=12)
ts_plot(Vol,
        title = "Desempeño de la Industria Automotriz: Producción de cartón global de 2016 a 2021",
        Ytitle = "Unidades en miles",
        Xtitle = "Años", 
        slider = TRUE)

# En esta gráfica se ve el desempeño de la industria automotriz de 2016 a 2021. En general, se muestra que el total de producción de cartón a nivel global fue mayor en 2021 contra otros años.


### Predicción del Desempeño de la Industria Automotriz

### Importar base de datos
bd5 <-read.csv("externa_bd2 csv2.csv")
summary(bd5)

sum(is.na(bd5))

bd5$Total_Produccion<- bd1$X2016+bd1$X2017+bd1$X2018+bd1$X2019+bd1$X2020+bd1$X2021

summary(bd5)
str(bd5)

sum(is.na(bd5))

#### Modelos de regresión lineal múltiple

#### Modelos de regresión lineal múltiple: Producción de cartón en 2022 a nivel global
regresion <- lm(Total_Produccion ~ Geography + Unit + Año + Produccion, data=bd5)
summary(regresion)

regresion <- lm(Total_Produccion ~ Año + Produccion, data=bd5)
summary(regresion)

bd5 <- data.frame(Año=2022, Produccion= 170000000)
predict(regresion,bd5)

# De acuerdo a los datos estimados, se ve que las variables de año y producción son igualmente significativas para la variable dependiente. En el caso de año, este tiene un impacto negativo sobre la otra y la producción tiene una estimación positiva.
# El modelo anterior nos muestra cuánto se estima que se producirá a nivel global en la industria del cartón para 2022. De acuerdo a una producción total aproximada de 170 millones de cartón en 2021, se espera que en 2022 se produzcan 914,196,926. En este caso, el prónostico fue realizado al crear un nuevo 'data frame' y al implementar la función de 'lm', usada para crear análisis regresivos y predictivos.


#### Modelos de regresión lineal múltiple: Producción de cartón en 2022 para Estados Unidos y México

### Importar base de datos (3)
bd6 <-read.csv("externa_bd3 csv3.csv")
summary(bd6)

sum(is.na(bd6))

summary(bd6)
str(bd6)

### Modelo de regresión múltiple: Producción de cartón en 2022: México
regresion3 <- lm(MEX ~ USA + Año, data=bd6)
summary(regresion3)

regresion3 <- lm(MEX ~ Año, data=bd6)
summary(regresion3)

bd6 <- data.frame(Año=2022, Produccion= 740000)
predict(regresion3,bd6)

ggplot(bd6, aes(x=Año, y=Produccion))+
  geom_point() +
  geom_line(aes(y=Produccion), color="red", linetype="dashed") +
  geom_line(aes(y=Produccion), color="red", linetype="dashed") +
  geom_smooth(method=lm, formula=y~x, se=TRUE, level=0.95, col='blue', fill='pink2') +
  theme_light()

# La predicción anterior nos arroja que hay un impacto positivo y significativo entre la variable Año y la variable dependiente. Esto significa que hay una predicción positiva de crecimiento acorde al año.
# De acuerdo a la producción total generada por México de 2016 a 2021 (740 M), el modelo pronóstico estima que en 2022 producirá 149,170.3. En la gráfica previa se muestra el punto de predicción. Si analizamos la producción de 2021 contra el pronóstico de 2022, se estima que la producción mexicana disminuirá. Podemos suponer que esto se debe a la deficiencia en la cadena de suministro global, así como factores económicos globales.


#### Modelos de regresión lineal múltiple: Producción de cartón en 2022 para Estados Unidos y México

### Importar base de datos (3)
bd6 <-read.csv("externa_bd3 csv3.csv")
summary(bd6)

sum(is.na(bd6))

summary(bd6)
str(bd6)

#### Modelos de regresión lineal múltiple: Producción de cartón en 2022: Estados Unidos
regresion2 <- lm(USA ~ MEX + Año, data=bd6)
summary(regresion2)

regresion2 <- lm(USA ~ Año, data=bd6)
summary(regresion2)

bd6 <- data.frame(Año=2022, Produccion= 320000)
predict(regresion2,bd6)

# Para la predicción de Estados Unidos, vemos que habrá un incremento en la producción de cartón contra 2021. Sin embargo, al analizar la producción total de México contra la producción total de Estados Unidos, vemos que la mexicana es mucho mayor. Podemos suponer que esto se debe debido a la mano de obra económica del mercado mexicano.

# De acuerdo a la predicción anterior, se ve un incremento positivo para la variable México con la variable dependiente, a diferencia del año que muestra un impacto menor y negativo, pero igualmente significativo.

# Predicción adicional
industriaA <-read.csv("Industria Auto.csv")

bd6 <-read.csv("Industria Auto.csv")

bd6 <- bd6[-c(1),]

summary(bd6)
summary(industriaA)
str(industriaA)

regresion1 <- lm(ventas_autopartes_anual ~  estado +exportaciones_anual + poblacion_ocupada_ensambladora_year ,data = industriaA)
summary(regresion1)

# Este análisis adicional nos muestra datos predictivos en cuanto al desempeño de la industria automotriz. Los datos anallizan del 2014 al 2022 y evalúa el desempeño de la industria considerando exportaciones, población ocupada, producción anual por estado, entre otros puntos. En resumen, la base de datos nos dice que hay información significativa en distintos Estados de la República. Entre los más significativos se encuentran Baja California y San Luis Potosí. Podemos deducir que esto se debe a la alta infuencia en industria que estos estados manejan a nivel nacional.
```


# <span style = "color:darkorange">**8.Business Analytics y Business Intelligence** 

```{r}

# *¿Qué es Business Analytics?*
#  Es una combinación de habilidades, tecnologías y prácticas para la exploración e investigación del funcionamiento y los procesos empresariales que se han tenido anteriormente por un empresa, para de ese modo obtener información, poder analizar dicha información que se extrae y así impulsar la planificación estratégica empresarial. Business Analytics puede descubrir patrones y predecir tendencias considerando diferentes factores. 

# Existen diferentes rubros del "Business Analytics":

#  1. Análisis Descriptivo

# 2. Análisis de Diagnóstico

# 3. Análisis Predictivo

# 4. Análisis Prescriptivo

# *¿Qué es Business Analytics?*
#  1. Determina qué conjuntos de datos son significantes y útiles para poder analizar y conocer el desempeño de la empresa y cuáles pueden aumentar los ingresos y disminuir los costos. 

# - *Ejemplo:* productividad y eficencia.

# 2. Analizar y transformar los datos en información útil, identificar y anticipar tendencias y resultados. Simplificar información para hacerla más sencilla de entender y visual.  

# 3. Tomar decisiones empresariales más inteligentes basadas en datos.

# - *Ejemplo:* Análisis del comportamiento de los clientes, disminución de costo, evitar mermas, aprovechamiento de tiempos y materiales, eficiencia y eficacia. 

# __Fuente: (Galiana, P., 2022)__

# *¿Qué es Business Intelligence?*
# 1. La capacidad de analizar de forma combinada información interna y externa procedente de distintas fuentes y sistemas.

# 2. Una mayor profundidad de análisis y una capacidad ampliada de reporteo.

# 3. La capacidad de realizar proyecciones y pronósticos de futuro en base a toda esa información.

# __Fuente: (¿Qué es Business Intelligence y cómo funciona? | IBM., 2022)__

# *¿Cuál es la relación entre Business Analytics y Business Intelligence?*
#  BI sirve para evaluar, optimizar y coordinar las operaciones internas de una empresa. Trata de aprovechar todo el potencial de los datos que genera una empresa en todas sus actividades diarias y analizar estos datos para obtener información de valor sobre la toma de decisiones.Ayuda para entender el histórico y el como evolucionan los datos. Y como mencionamos anteriormente Business Analytics con el analisis de la información de una empresa logra puede llegar a desubrir patrones, explicaciones del porque de los mismos y predecir tendencias o hechos que pueden llegar a pasar en el negocio. 

# Estos dos términos tienen una alta relación entre ellas, ya que en pocas palabras la Inteligencia de Negocios es el hacer análisis de los datos obtenidos y Analítica de Negocios es predicción a partir de los datos que se obtuvieron con el análisis. Una con lleva a la otra y trabajan juntas para obtener el resultado buscado de un análisis de datos que contenga la información relevante y significativa que nos pueda mostrar predicciones del comportamiento, ya sea de la empresa, de la economía, de los ingresos, de los clientes y más. Ambas son necesarias para extraer un buen análisis de la información de una empresa, ya que uno analiza dos, los organiza y extrae aquellos relevantes y la otra puede lograr las pedicciones y análisis.
```

# <span style = "color:darkorange">**9. Key Performance Indicators (KPI's)** 

```{r}
# *¿Qué son los Indicadores Clave de Rendimiento (KPI's)?*

# Un KPI (Key Performance Indicator) es una métrica cuantitativa que muestra cómo tu equipo progresa hacia tus objetivos empresariales más importantes. Esto puede ir desde la evaluación de un proyecto específico hasta el rendimiento general de una compañía, logrando así tus objetivos estratégicos.

# __Fuente: (Bello, E., 2021)__

# *Propuestas de mejora para FORM*

# *Recursos Humanos*
# Propuesta 1. Vemos que se tiene un mayor porcentaje de empleadas femeninas, representando un 70% de los empleados totales. Adicional, muchos de los empleados viven en dos estados: Nuevo León y Coahuila, del cual destaca principalmente Nuevo León. Se recomienda implementar un indicador que mida la retención de talento que se está teniendo en la empresa para conocer la estabilidad laboral. Como muestra la base de datos de bajas, hay una alta rotación por motivos diversos aunque no existe un indicador fijo para medir esta rotación. Es de alto valor aplicarlo para poder entender las causas y cómo mejorar el proceso.
# Propuesta 2. Respecto a los puestos laborales, existen 60 personas desempeñándose como “ayudantes generales”. Es importante analizar la importancia que tiene dicho puesto y cuáles son las posibilidades de crecimiento dentro de este. Se debe considerar la forma de implementar una evaluación de habilidades para los empleados que les permita crecer de manera orgánica dentro de la empresa y de esta forma, aumentar el porcentaje de retención de personal.


# *Delivery Performance*
# Propuesta 1. Crear un plan de entregas con menos de dos vueltas, ya que se mostró menos efectiva la tercera, marcando más tardanzas a lo largo del análisis.
# Propuesta 2. Crear un plan mensual con KPI's de rapidez de entregas para ver el flujo por mes de lo que están tardando y ver las acciones específicas para mitigar ese retraso.


# *Merma*
# Propuesta 1. De acuerdo al cálculo de merma total, se generaron 185,426 kilos de Enero a Septiembre del 2022. En el análisis se muestra un incremento de producción de merma del 60.34%. Podemos suponer que este incremento se debe al aumento de la industria automotriz en producción, exportaciones y ventas internas (El Economista, 2022). Esto para FORM significaría que tuvieron un aumento en pedidos y por ende, hubo un descuido en los procesos de calidad y producción. Como propuesta de mejora, se sugeriría llevar un control puntual del manejo de mercancía a través de tecnologías digitales. Esto a través de un control puntual de cuánto se está desperdiciando para cada producto o cliente y definir un valor máximo de merma a poder generar.
# Propuesta 2. Como segundo plan de acción, se recomienda identificar la causa de la merma, es decir, saber qué recursos se merman. Esto con el objetivo de identificar qué es lo que genera esta pérdida y trabajar sobre ella para evitar que se repita.


# *Producción*
# Propuesta 1. Se recomienda realizar un estudio ergonómico sobre las estaciones de trabajo del área de producción con el fin de mejorar paulativamente el rendimiento de los colaboradores en sus actividades correspondientes.
# Propuesta 2. Se recomienda ejecutar encuestas periódicas a los clientes con la finalidad de obtener información de satisfacción con respecto al producto entregado. De esta manera, la empresa podrá tomar las acciones correspondientes como respuesta de una política de mejora continua.

# *Scrap*
# Propuesta 1. Con la intención de reducir los errores de mano de obra al mínimo, se recomienda implementar un manual de capacitación para los empleados del área de producción y calidad con el objetivo de evitar descuidos, negligencias, usos incorrectos o irresponsabilidades, para reducir eficazmente el desperdicio de materia prima. Esto le dará a FORM una mejor estrategia de costos, así como relación con el capital humano, pues tendrán mejores herramientas para tratar errores productivos e incrementar su productividad a través de capacitación más especializada.
# Propuesta 2. Para evitar el desperdicio, se recomienda replantear el almacenamiento de stock, esto con la intención de mejorar el espacio en piso para el orden de los materiales y optimizar el proceso de producción completo.
```

# <span style = "color:darkorange">**10. Insights** 
```{r}
# *Recursos Humanos*
# 1. Vemos que se tiene un mayor porcentaje de empleadas femeninas, representando un 70% de los empleados totales. Adicional, muchos de los empleados viven en dos estados: Nuevo León y Coahuila, del cual destaca principalmente Nuevo León.
# 2. El salario diario promedio de FORM es de $180 pesos mexicanos, es decir, $5,400 pesos mensuales. De acuerdo a datos compartidos por la INEGI, se prevé que para 2022 el salario mínimo en México sea de $5,255 pesos mensuales. Esto refleja que el salario mensual de FORM es 2% mayor al salario mínimo del país.

# *Delivery Performance*
# 1. Nos muestra que el cliente potencial es Hella, ya que cuenta con mayores pedidos y el segundo lugar para FORM es TRMX.
# 2. Se analizó que Septiembre es uno de los meses fuertes para la empresa en esta área, ya que se incrementaron los pedidos establecidos. 


# *Merma*
# 1. Sería importante considerar que para tener un cambio significativo, es necesario darle importancia al correcto almacenamiento de datos y procesamiento de los mismos, pues éstas son las bases de una ágil interpretación de datos, generando así una mejor toma de decisiones y por ende, un correcto manejo de la información.
# 2. se está generando una merma irregular. Los datos muestran que de Enero a Abril hubo una merma de 3 toneladas promedio. De Abril a Julio se generó alrededor de 5 toneladas y llegó a generar hasta 6 toneladas y de Julio a Octubre generó 3 toneladas promedio. Aunque en un mes se logró tener menos de 1 tonelada de merma.

# *Producción*
# 1. Vemos que el cliente “VL-017-14086” es el que menos producto compra. Se recomienda analizar qué tanto beneficio nos está generando contar con un cliente que únicamente pide una pieza.
# 2. Se analizó que en las estaciones C1 y C2 tienen la mayor productividad debido a que son las que menos tiempo hacen con más procesamiento de láminas. Por lo tanto, esto es una ventaja que se podría analizar en esta fase de producción para aplicarla a las demás áreas.

# *Scrap*
# 1. El área que mayor cantidad de ‘scrap’ total genera es “SAB/Calidad/Entrega de PT” aunque de manera individual.
# 2. Los datos muestran que hay un alto nivel de chatarra generada por parte del área de Calidad/Entrega de Producto Terminado. Sería necesario identificar las razones de este desperdicio y la manera de reducir este desecho al mínimo.

```

# <span style = "color:darkorange">**11. Referencias** 
9 Estilos y formatos de tabla | Tablas y graficos con R y R Studio. (2022). Retrieved 24 September 2022, from https://tables.investigaonline.com/tse-formateo.html

Ana Karen García. (2022, September 8). Industria automotriz anota un buen agosto: crecen producción, exportaciones y ventas internas. El Economista; El Economista. https://www.eleconomista.com.mx/empresas/Industria-automotriz-anota-un-buen-agosto-crecen-produccion-exportaciones-y-ventas-internas-20220907-0031.html

Bello, E. (2021). Qué son los KPIs y cómo funcionan. Thinking For Innovation. Retrieved from https://www.iebschool.com/blog/que-son-los-kpis-y-como-aplicarlos-a-tu-empresa-digital-business/

Hernández, F., & Usuga, O. (2022). 9 Tablas de frecuencia | Manual de R. Retrieved 24 September 2022, from https://fhernanb.github.io/Manual-de-R/tablas.html#ejemplo-tabla-de-frecuencia-relativa-de-una-v%C3%ADa

Galiana, P. (2022). Qué es Business Analytics: definición,tipos y diferencias. Thinking For Innovation. Retrieved from https://www.iebschool.com/blog/que-es-business-analytics-definiciontipos-y-diferencias-big-data/

Gulzar, M. (2022, 6 enero). K-Means Clustering: Concepts and Implementation in R for Data Science. Medium. Recuperado 10 de octubre de 2022, de https://towardsdatascience.com/k-means-clustering-concepts-and-implementation-in-r-for-data-science-32cae6a3ceba

Gulzar, M. (2022b, enero 6). K-Means Clustering: Concepts and Implementation in R for Data Science. Medium. Recuperado 10 de octubre de 2022, de https://towardsdatascience.com/k-means-clustering-concepts-and-implementation-in-r-for-data-science-32cae6a3ceba

¿Qué es Business Intelligence y cómo funciona? | IBM. (2022). Retrieved 13 October 2022, from https://www.ibm.com/mx-es/topics/business-intelligence

Zhu, A. (2022, 12 agosto). K-Means Clustering Explained Simply - Towards Data Science. Medium. Recuperado 10 de octubre de 2022, de https://towardsdatascience.com/explain-ml-in-a-simple-way-k-means-clustering-e925d019743b
